Комаров Ю.Ю. Проектирование и изготовление аэрокосмических аппаратов

Подождите немного. Документ загружается.

Рис. 1. Графики изменения во времени координаты , ее оценки ( ) и дисперсии

оценки координаты , полученных с помощью фильтра Калмана (а)иего

модификации (б)

Рис. 2. Графики изменения во времени координаты , ее оценки ( ) и дисперсии

оценки координаты , полученных с помощью фильтра Калмана (а)иего

модификации (б)

231

Н. А. Максимов, Д. П. Синча

Московский авиационный институт (государственный технический университет)

МЕТОДЫ ХРАНЕНИЯ И АЛГОРИТМЫ ПОИСКА ИНФОРМАЦИИ

В ВИЗУАЛЬНЫХ БАЗАХ ДАННЫХ

Обычно аудиовизуальная информация предназначена для непосред-

ственного восприятия человеком. Однако увеличивается число и таких си-

туаций, когда эта информация создается, передается, извлекается и повтор-

но используется вычислительными системами: при распознавании изобра-

жений (видеонаблюдение, интеллектуальное зрение, скоростные видеока-

меры и т.д.), преобразовании (речи в текст, изображения в речь, речи в

изображение и т.д.) и извлечении информации (быстрый и эффективный

поиск различного типа мультимедийных документов, представляющих ин-

терес для пользователя). Также может быть выполнено автоматическое пе-

рекодирование строки символов в звуковую информацию или осуществлен

поиск в потоке аудио- или видеоданных.

Растет количество аудиовизуальной информации, которая может быть

представлена в самых различных медиаформатах: неподвижные изобра-

жения, графика, ЗD-модели, аудио, речь, видео. Тенденция очевидна: в

последующие несколько лет пользователи столкнутся с огромным коли-

чеством контентов (смысловое содержание аудиовизуальных данных) из

множественных источников. Несмотря на то, что для пользователей эти

источники становятся все более доступными, из-за их объема существен-

но усложняется эффективная идентификация и управление. Между тем

ценность получаемой информации часто зависит от того, насколько про-

сто ее найти, извлечь, получить доступ или отфильтровать. Исходя из того,

что аудиовизуальные источники будут играть в перспективе все большую

роль в нашей жизни, возрастет необходимость обрабатывать такие дан-

ные, хранить их в виде баз данных медиаинформации и производить поиск

необходимой информации в них.

В данной работе разрабатываются принципы хранения визуальной ин-

формации, которые обеспечивают возможность ее дальнейшего поиска в

визуальных БД, даже при некотором искажении исходной информации.

Под визуальной информацией здесь понимаются неподвижные изображе-

ния (8-битные полутоновые 2D растровые изображения). Это могут быть

как художественные полотна, переведенные в цифровой вид, фотографии,

географические карты, снимки со спутника, так и отдельные кадры видео-

ряда.

232

Разработку принципов хранения визуальной информации начинаем с

анализа уже существующих подходов. Все существующие на сегодняшний

день подходы сводятся к выделению некоторых характерных особенностей

визуальной информации (т.н. визуальных характеристик) и последующему

их сохранению в БД вместе с исходной визуальной информацией. Именно

по ним (визуальным характеристикам) впоследствии и будет производить-

ся поиск требуемой информации в БД.

Наибольшее распространение получил описательный подход, при ко-

тором в качестве визуальных характеристик выделяется некоторая тексто-

вая информация. Например, визуальные характеристики видеоизображе-

ния, выделяемые при описательном подходе, могут быть следующими —

название фильма, жанр, режиссер, исполнители главных ролей, краткое

описание сюжета, язык, год выпуска, формат записи и др. Недостатком та-

кого вида подхода является отсутствие привязки к реальному содержанию

исходной информации.

Прекрасно осознавая этот факт, группа MPEG в рамках стандарта на

описание мультимедиа данных MPEG–7 предложила в качестве решения

проблемы выделять следующие визуальные характеристики для статичных

двумерных изображений (табл. 1). Данные характеристики могли бы быть

взяты автором работы за основу, если бы не закрытость стандарта MPEG–

Таблица

Визуальные характеристики статичных двумерных изображений, выделяемых в рамках

стандарта MPEG-7

Цвет Текстура Форма

Цветовое пространство Однородная текстура Форма, базирующаяся на

областях

Цветовая дискретизация Просмотр текстуры

Доминантные цвета Краевая гистограмма Форма, основанная на кон-

туре

Масштабируемая гисто-

грамма цветов

Цветовая структура

Размещение цветов

Исходя из этого, был разработан новый алгоритм выделения характер-

ных особенностей изображений с последующим их сохранением в визу-

альной БД в виде дескрипторов рассматриваемых изображений. На при-

мере формирования дескриптора произвольного изображения рассмотрим

разработанный алгоритм более подробно.

На каждый пиксель обрабатываемого снимка последовательно наклады-

233

ваются кольцевые фильтры, состоящие из восьми вложенных друг в друга

колец. Исключение составляют лишь те пиксели, расстояние от границ

изображения до которых меньше внешнего радиуса кольцевого фильтра.

При этом каждый пиксель изображения условно разбивается на 100 сан-

типикселов.

Радиусы колец могут быть определены в виде “равномерной последова-

тельности”, а также в виде арифметической или геометрической прогрес-

сии. Эффективность каждого вида определения необходимо устанавливать

экспериментально.

В пределах каждого кольца вычисляется величина средней освещен-

ности – суммарная освещенность в пределах кольца делится на площадь

кольца. Для полученных таким образом восьми значений средних освещен-

ностей колец

ср

,...,

ср

задается функция F(X):

ср

вычисляется среднее значение этой функции

ср

(X) и центр исходной си-

стемы координат перемещается в точку с координатами (0,

ср

(X)).

В новой системе координат функция F(X) модулируется, т.е. форми-

руется функция

F(X) , для которой снова вычисляется среднее значение

ср

. Полученные в результате выполнения всех вышерассмотренных

операций 8 значений освещенностей

пересчитываются в универ-

сальных координатах по следующей формуле.

ср

где – значения величин средних освещенностей колец относительно пер-

вого среднего;

– некоторый постоянный целочисленный коэффициент,

определяемый экспериментальным путем по большому числу обработан-

ных картинок.

После пересчета рассматриваемые значения нормируются в диапазоне

[0; 255], и из полученных величин составляется вектор с координатами

[

, ,..., ]. Обработанное целиком изображение представляется в виде

множества подобных векторов, из которых необходимо сформировать один

– дескриптор изображения (именно он будет храниться в визуальной БД как

характеристика соответствующего изображения). Рассмотрим процедуру

получения дескриптора.

Каждый вектор с координатами [

, ,..., ] может быть изображен в

виде точки восьмимерного пространства параметров. Так как координа-

ты любого из векторов целочисленны и ограниченны, то рассматриваемое

восьмимерное пространство параметров является дискретным и ограни-

ченным пространством объемом 256

значений. Будем представлять его

себе в виде восьмимерного куба. Выделим внутри рассматриваемого куба

234

256 специальных точек, которые назовем характеристическими точками

пространства параметров.

Для получения дескриптора произвольного изображения необходимо

отобразить это изображение на рассматриваемое пространство параметров,

а затем найти 256 наименьших расстояний от полученных точек изобра-

жения до характеристических точек пространства параметров. Нормируя

полученные расстояния в диапазоне [0; 255], формируем дескриптор рас-

сматриваемого изображения.

Для поиска изображения в визуальной БД необходимо сначала вычис-

лить дескриптор данного изображения. После этого полученный дескрип-

тор сравнивается с дескрипторами изображений, сохраненных в БД, при-

чем на компоненты сравниваемых дескрипторов накладывается некоторое

поле допуска. Два дескриптора, имеющие максимальное число совпадений

в компонентах, считаются равными, а картинки, характеризуемые данными

дескрипторами, – одинаковыми.

Рассмотренный алгоритм хранения и поиска информации в визуальных

БД разрабатывался с учетом возможных искажений исходной визуальной

информации. В данной работе рассматривались следующие виды искаже-

ний – линейные искажения яркости, “чистый” поворот (или поворот с уве-

личением количества исходной информации), поворот с удалением части

изображения (или поворот с уменьшением количества исходной информа-

ции) и равномерные и неравномерные искажения исходной информации

без изменения ее количества (равномерные и неравномерные зашумления).

В результате проведенных экспериментов по тестированию разработанного

алгоритма на чувствительность к каждому из рассматриваемых искажаю-

щих факторов были выявлены следующие закономерности:

алгоритм хорошо приспособлен к линейным искажениям яркости

изображения. На тестируемых снимках наблюдается полная инвари-

антность алгоритма к 40% изменению яркости изображения (рис. 1).

При дальнейшем изменении яркости результаты поиска информации

в тестовой визуальной БД ухудшаются, что свидетельствует о том, что

для части тестируемых снимков кривая распределения яркости выхо-

дит за диапазон [0; 255] и вследствие этого яркостная информация

части пикселей теряется;

алгоритм чувствителен к повороту. Исходя из полученных резуль-

татов, можно утверждать, что алгоритм дает наилучшие результаты

поиска при углах поворота, близких к 0,

90 и 180 градусам, и

наихудшие — при углах поворота, близких к

45 и 135 градусам.

Причем алгоритм более приспособлен к уменьшению количества ис-

235

ходной информации, нежели чем к его увеличению;

алгоритм отлично приспособлен как к равномерному, так и к нерав-

номерному искажению исходной информации без изменения ее коли-

чества. На тестируемых снимках наблюдается полная инвариантность

алгоритма к равномерному искажению вплоть до 40% площади сним-

ка (рис. 2), а к неравномерному искажению – вплоть до 60% площади

снимка (рис. 3). Далее результаты поиска ухудшаются по очевидным

причинам.

Рис. 1. Пример линейного искажения яркости снимка на 40% (слева – оригинал, справа –

искаженный снимок)

Рис. 2. Пример равномерного зашумления 40% площади снимка (слева – оригинал,

справа – искаженный снимок)

На данном этапе разработки алгоритма общий процент найденных изоб-

ражений (при комплексном искажающем воздействии на искомые снимки

всех рассматриваемых факторов) составляет 50%. Тестирование проводи-

лось в БД мощностью 100000 изображений.

Дальнейшие разработки по повышению вероятности распознавания ал-

горитмом изображения следует начать с уменьшения чувствительности ал-

горитма к изменению количества исходной информации. На данном этапе

разработки это является наиболее неблагоприятным фактором, воздейству-

ющим на работоспособность алгоритма. К действию других рассмотрен-

ных факторов алгоритм приспособлен.

236

Рис. 3. Пример неравномерного зашумления 60% площади снимка (слева – оригинал,

справа – искаженный снимок)

Целесообразно рассматривать проделанную работу как разработку кон-

цепции и создание ядра визуальных баз данных нового поколения (как

клиентов, так и серверов). Дальнейшая проработка алгоритма (ядра), его

расширение на качественном и количественном уровне позволят “вырабо-

тать полную инвариантность” как к новым, так и к уже рассмотренным

искажающим факторам, что, в конце концов, позволит создать универсаль-

ную поисковую систему для целого ряда различных изображений.

Статья написана в рамках проекта 05-08-18088, финансируемого РФФИ.

Е. А. Волокитина, О. И. Филиппов

Московский авиационный институт (государственный технический университет)

РАЗРАБОТКА КОНФИГУРАЦИИ ОРБИТАЛЬНОЙ ГРУППИРОВКИ

КОСМИЧЕСКИХ АППАРАТОВ СИСТЕМЫ ГЛОБАЛЬНОГО

МОНИТОРИНГА ЗЕМЛИ

В настоящий момент существует потребность в совершенствовании и

модернизации функционирующих российских спутниковых навигацион-

ных систем в связи с их устареванием и неудовлетворением современным

научно-исследовательским и, в первую очередь, оборонным требованиям

точности и информативности. Таким образом, представляется актуальной

проблема разработки и проектирования нового универсального комплек-

са космических аппаратов (КА). Следует отметить, что началось актив-

ное совершенствование методов проектирования автоматизированных си-

стем управления, а также рост вычислительных возможностей аппаратных

237

средств, что позволяет разрабатывать систему глобального мониторинга

Земли с использованием новейших технологий.

Внедрение подобного навигационного комплекса открывает широкие

возможности эксплуатации его в различных областях жизни, таких, как

географические, геофизических исследования, экологический мониторинг,

хозяйственные отрасли и другие.

Первостепенной задачей при разработке спутниковой системы навига-

ции является построение конфигурации орбитального комплекса, отвеча-

ющего среди прочих следующим требованиям:

включение в спутниковую систему КА на высокоэллиптических ор-

битах;

непрерывный осмотр земной поверхности;

выполнение ограничений на погрешности определения координат лю-

бого наземного или морского объекта в каждый момент времени;

реализация необходимой точности измерений космических аппаратов;

возможность своевременного осуществления связи космических ап-

паратов друг с другом и с наземными станциями сбора информации;

учет энтропии информации в системе обработки спутниковой инфор-

мации;

экономичность создания системы спутниковой навигации и построе-

ния орбитальной группировки;

продолжительность срока эксплуатации системы космических аппа-

ратов.

На первом этапе спутниковую систему будем рассматривать как идеаль-

ную, полагая, что возмущающие факторы отсутствуют. Эволюция системы

не учитывается. КА рассматривается как материальная точка, движущаяся

по заданной орбите по законам Кеплера. В этом случае задача проектиро-

вания спутниковой системы сводится к выбору параметров орбитальной

группировки из условия обеспечения требуемой целевой эффективности.

Стоимость системы в этом случае определяется численностью спутников

в системе. Таким образом, ставится задача определения так называемой

“минимальной структуры” орбитальной группировки, т.е. структуры, со-

держащей минимально необходимое для выполнения заданных целей ко-

личество спутников.

Ставится задача создания имитационной модели для исследований вли-

яний различных параметров спутниковой системы наблюдения на эффек-

тивность всей системы. Создание имитационных моделей необходимо для

238

решения задач анализа и синтеза спутниковой системы мониторинга на

этапе проектирования. Основными задачами такого моделирования явля-

ются: исследование влияния структуры орбитальной группировки, пара-

метров спутников, алгоритмов управления орбитальной группировкой ха-

рактеристики процесса обнаружения и распознавания объекта наблюдения

на точность определения его местоположения, на время доведения инфор-

мации о нем до потребителей и наземных комплексов сбора информации

об обстановке.

Поверхность Земли представляется в прямоугольной проекции Мерка-

тора. Наносится сетка параллелей и меридианов с заданным дискретным

шагом, разбивающая карту Земли на парциальные зоны (пиксели). За нуле-

вой меридиан принимается меридиан Гринвича. Все пиксели нумеруются

как элементы матрицы земной поверхности. Таким образом, любой район

Земли можно определить заданием номера пикселя или номеров группы

пикселей. Нумерация пикселей осуществляется сквозным путем построч-

но, слева направо, начиная с первой строки. Первый элемент имеет номер

Движение спутника по невозмущенной орбите осуществляется согласно

уравнению Кеплера.

В качестве метода решения поставленной задачи выбран метод матема-

тической оптимизации. Он подразумевает сведение всех предъявляемых к

системе требований в частные формализованные критерии оценки эффек-

тивности функционирования системы, а также рассмотрение обобщенного

критерия, сформированного с учетом важности каждого критерия. Иссле-

дование влияния параметров системы на значения критериев эффектив-

ности позволяет выбрать параметры орбит КА для заданного числа спут-

ников. Анализ результатов исследования для различного числа КА дает

основание для выбора рационального количества КА в системе.

Описанный метод решения подразумевает следующие оптимизацион-

ные переменные, т.е.переменные, по которым ищется оптимальное значе-

ние критериев эффективности:

– начальное значение долготы восходящего узла,

I — наклонение орбиты,

— аргумент перигея,

— высота перигея,

e — эксцентриситет.

Рассмотрим следующие частные критерии эффективности функциони-

рования системы:

1. Критерий покрытия. Является математической интерпретацией тре-

239

бования осмотра всей Земли в любой момент времени, предъявленного

к проектируемому орбитальному комплексу. Физический смысл данного

критерия можно определить следующим образом: отношение осмотренной

поверхности к площади Земли в каждый момент времени максимально и

стремится к единице. Целевую функцию данного критерия можно предста-

вить как сумму площадей покрытия поверхности Земли полосами обзоров

всех КА в каждый момент времени за вычетом площадей многократного

наложения полос обзора различных КА, взятую по отношению к площади

Земли.

2. Критерий точности. Имеет следующий физический смысл: макси-

мальная погрешность определения координат объекта должна стремиться

к нулю. Оптимизационными переменными являются параметры орбиты

КА, участвующих в ОГ.

3. Критерий удаленности. Представляет собой математическую интер-

претацию требования возможности и качества осуществления связи одного

КА с другим. Критерий является штрафовой функцией и приобретает зна-

чение штрафа (большой величины), если КА разделены Землей и связь

невозможна, и принимает значение расстояния между парой КА в случае

нахождения их в прямой видимости друг с другом.

4. Критерий времени наблюдения. Характеризует время наблюдения

каждым КА за каждой парциальной зоной (время нахождения ее в полосе

обзора КА) с учетом важности данной зоны.

Для рассмотрения всех частных критериев эффективности функциони-

рования спутниковой системы в совокупности и нахождения компромисс-

ных решений возможно объединить критерии в один функционал методом

математической свертки, вводя весовые коэффициенты

(коэффициенты

влияния частного критерия на выбор параметров системы КА), нормировав

размерность критериев и выбрав единое направление оптимизации.

Так как подсчет значений целевых критериев происходит итерационно

в процессе моделирования функционирования системы, то модуль вычис-

ления значений критериев непосредственно внедрен в структуру имитаци-

онной модели.

Для построения непрерывно-дискретной имитационной модели приме-

няется комбинация метода фиксированного шага и метода модельных со-

бытий. С помощью нее далее проводились научные исследования.

В результате проведенной работы:

1. Разработана математическая модель орбитального невозмущенного

движения космических аппаратов, являющаяся базовой для разработ-

240