Теория и практика распознавания инженерных сооружений, промышленных предприятий и объектов железнодорожного транспорта при дешифрировании аэроснимков

Молчанов Андрей Алексеевич

Таблица 1.1 – Шкала общего качества изображения

Таблица 1.2 – Относительная шкала качества изображения

Еще одной распространенной шкалой оценок является шкала погрешностей (таблица 1.3), согласно которой наблюдатель должен оценить в баллах степень искажений, изменяющихся от «незаметных» до «крайне нежелательных».

Результаты экспертных оценок обычно выражают с помощью среднего балла, определяемого

как:

где n_k – число изображений k– й категории; C_k – соответствующий ей балл.

Таблица 3 – Шкала погрешностей

Рисунок 1.6 – Сравнение шкал качества и погрешностей, применяемых для субъективной оценки изображений

Считается, что для получения надежной оценки качества изображения необходимо опросить не менее двадцати наблюдателей. Одной из трудностей, связанных с балльными оценками, является возможная нелинейность шкалы.

На рисунке 1.6 для сравнения помещены шкала абсолютного (общего) качества, шкала погрешностей и еще одна шкала погрешностей, состоящая из трех градаций. Сравнение шкал выполнено на основе субъективных оценок.

Для сравнения и оценки качества съемочных систем в США успешно используется Национальная шкала дешифрируемости снимков (National Imagery Interpretability Scale, NIIRS), которая первоначально разрабатывалась для военных организаций, имеющих в своем штате опытных специалистов и использующих визуальные методы дешифрирования. Шкала NIIRS основана, прежде всего, на пространственном разрешении снимков, но в ней учитываются также факторы, связанные с отношением сигнал/шум и функцией рассеяния точки. Краткое описание 10-уровневой шкалы NIIRS, разработанной для панхроматических снимков, приведено в таблице 1.4. Более подробное описание содержится в работе Лихтенауэра (Leachtenauer и др., 1997) и в документации IRARS (1996). Была также разработана шкала NIIRS для оценки многоспектральных снимков (IRARS, 1995). Процедура оценки заключается в том, что снимок отдают опытному специалистудешифровщику (сертификат NIIRS) и просят его определить уровень деталей, которые он может распознать. Средний балл процедуры для панхроматических снимков, полученных системой IKONOS с разрешением 1 м по шкале NIIRS, составил 4,5.

Таблица 1.4 – Национальная шкала дешифрирования (NIIRS) Баллы Критерий.

На первый взгляд, шкала NIIRS не очень полезна для тех задач, которые решаются в области гражданского применения данных дистанционного зондирования. Однако при существующей тенденции к увеличению разрешающей способности многоспектральных датчиков до уровня таких систем, как IKONOS, QuickBird и Orb View, можно ожидать, что одни и те же данные будут использоваться как для военных, так и для гражданских целей. Кроме того, положенная в основу NIIRS идея о необходимости связывания характеристик съемочной системы и параметров решаемой задачи может оказаться очень полезной для количественного анализа ЦОЭС. В частности, предлагается математически связать параметры датчиков со шкалой NIIRS и оценивать возможность использования той или иной съемочной системы с помощью обобщенной формулы качества изображения (Leachtenauer и др., 1997).

На результаты субъективных экспертных оценок влияют характер рассматриваемых изображений и окружающая обстановка (условия эксперимента). Если наблюдатель видел подобные

изображения, то он склонен более строго оценивать погрешности, поскольку имеет сложившееся представление о структуре изображения. С другой стороны, в незнакомом изображении искажения могут оставаться незамеченными, пока наблюдателю не будет на них указано. Условия эксперимента должны в максимально возможной степени соответствовать условиям наблюдения в реальной обстановке. Следует с осторожностью пользоваться экспертными оценками, если изменились условия наблюдения. Так, качество изображения на экране обычного телевизионного монитора может быть расценено как «хорошее», с «еле заметными» искажениями. Однако если то же самое изображение будет представлено в виде фотографии, снятой с помощью высококачественной аппаратуры, то все погрешности, ранее скрытые нелинейностями телевизионного устройства, неожиданно могут стать очень заметными.

2. Основы применения искусственного интеллекта при дешифрировании аэроснимков

2.1. Основные определения искусственного интеллекта

Искусственный интеллект как область знаний охватывает все области человеческой деятельности, включая информатику, математику, философию, психологию, термодинамику, лингвистику, здравоохранение, инженерию, экономику, когнитивные науки и др.

Эти знания используются в таких приложениях, как системы управления, системы принятия решений, многоагентные системы, системы обработки естественного языка, распознавание образов, распознавание речи, обработка знаний, интеллектуальный анализ данных, логистика и другие приложения.

Ниже раскрыты основные термины и определения, принятые в области искусственного интеллекта в соответствии с ГОСТ Р 59277–2020.

Искусственный интеллект – комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение, поиск решений без заранее заданного алгоритма и достижение инсайта) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает в себя информационнокоммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных, анализу и синтезу решений.

Компьютерное зрение – способность функционального блока получать, обрабатывать и интерпретировать визуальные данные.

Нейротехнологии – технологии, которые используют или помогают понять работу мозга, мыслительные процессы, высшую нервную деятельность, в том числе технологии по усилению, улучшению работы мозга и психической деятельности.

Система искусственного интеллекта (СИИ) – техническая система, в которой используются технологии искусственного интеллекта.

Технологии искусственного интеллекта – комплекс технологических решений, направленных на создание систем искусственного интеллекта.

Автоматизированная система – система, состоящая из персонала и комплекса средств автоматизации его деятельности, реализующая информационную технологию выполнения установленных функций.

Автоматическая система – совокупность управляемого объекта и автономной СИИ, функционирующая самостоятельно, без участия человека.

Автономность – характеристика СИИ, связанная с ее способностью самостоятельно (без участия человека) выполнять возложенные на нее функции в течение заданного времени и с заданными показателями качества, надежности, безопасности. Системы, работающие в автономном режиме, подлежат обязательному контролю или надзору со стороны человека.

Агент – физический/программный объект, который оценивает собственное состояние, состояние других объектов и окружающей среды для выполнения своих действий, включая прогнозирование и планирование, которые максимизируют успешность, в том числе при неожиданном изменении оцениваемых состояний, достижения своих целей.