МЕТОДЫ ЭКСПЕРИМЕНТАЛЬНОГО ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ШЕРОХОВАТОСТИ ПОЧВЕННОГО ПОКРОВА

Полный текст

Подавляющее большинство задач дистанционного от воздушной среды. В особую группу таких характезондирования сводятся к взаимодействию волнового ристик обычно выделяют параметры, описывающие степоля с исследуемым природным объектом. При тео- пень неровности (шероховатости) подстилающей поретическом описании такого взаимодействия сущест- верхности. венную роль играют характеристики поверхности, В данной работе предпринята попытка создания отграничивающей изучаемый природный покров алгоритмов для оценки величины неровностей (шеро- *Работа выполнена при поддержке РФФИ, грант 12-05-98082-р_сибирь_а. 104 Вестник СибГАУ. № 5 (51). 2013 ховатости) верхней границы почвенного покрова по ее фотографическому изображению. Стандартный путь решения нашей задачи первым и обязательным шагом включает в себя этап бинаризации изображения [1; 2]. После проведения бинаризации возможен прямой анализ геометрических характеристик областей изображения, соответствующих исследуемому объекту (объектам). Для проведения однозначного анализа необходимо, чтобы выделенные области были топологически однородными, отсутствовали перекрытия и наложения. В нашем случае описанный выше путь реализован с использованием стандартной процедуры (операции) размыкания контуров, которая применяется при цифровой обработке изображений [3; 4]. Результаты оценки распределения по размерам почвенных агрегатов приведены на рис. 1. Изображение построено в линейном и логарифмическом масштабе. В первом случае лучше виден общий характер зависимости, во втором - лучше прослеживается «хвост» частиц крупных размеров, которые составляют малую долю от общего количества. В условиях, когда абсолютные значения яркости не могут быть использованы в качестве классификационных, дискриминантных параметров, приходится использовать относительные, градиентные критерии разделения [3; 4]. Для их определения видеоизображение моделируется случайным двухмерным процессом. Наиболее естественной характеристикой описания взаимосвязи двух случайных величин является корреляционная функция [4]. При этом в качестве оценки размеров выделяющихся элементов изображения может быть использован один из параметров корреляционной функции, например, радиус корреляции. Вычисление корреляционной функции удобнее всего проводить, опираясь на теорему Винера-Хинчина [2; 3; 5]. Задача облегчается еще и тем, что фактически она сводится к стандартной двукратной процедуре - преобразованию Фурье, для которого существует множество алгоритмов быстрого преобразования Фурье (БПФ) и их реализаций практически на всех языках программирования, в многочисленных специализированных программных продуктах и т. д. (рис. 2). Рис. 1. Распределение по размерам почвенных агрегатов, измеренное по микрофотографиям почвы. Линейное (слева) и логарифмическое (справа) масштабирование вертикальной оси Рис. 2. Фрагмент исходного изображения почвы (а) и представление корреляционной функции данного фрагмента в виде поверхности (б) 105 Раздел 2. Радиофизические методы диагностики окружающей среды. Алгоритмы, инструменты и результаты Получение численных оценок размеров (радиуса) частиц из анализа пространственной зависимости корреляционной функции - R(c), что в свою очередь требует знания ее аналитического выражения. Для того, чтобы выразить R(c) в конечной аналитической форме, необходимо исходить из конкретной модели исходного сигнала, которая в общем случае неизвестна. К счастью, в свое время С.М.Рытовым было показано, что для широкого круга импульсных сигналов корреляционная функция записывается в экспоненциальном виде. В качестве первого приближения может быть использована модель телеграфного сигнала [4; 5], выбор следует из анализа профилей яркости исходного изображения, проведенных по диаметрам отдельных почвенных агрегатов. Еще один подход к оценке размеров почвенных агрегатов не требует предположений о модели сигнала и основан на анализе пространственной зависимости корреляционной функции. Поскольку на зависимости R(c) явно выделяются два участка - аппроксимируем всю зависимость двумя степенными функциями вида Y = aX, одна для «сигнальной», другая для «шумовой» части. Выделение граничной точки (точки «перелома») в данном случае не представляет проблемы. В качестве оценки удобно взять точку пересечения двух аппроксимационных выражений, которую легко определить по формулам элементарной математики: T = (a2 / ai), где Ari(Ar2) и й1(й2) - числовые параметры первого (второго) аппроксимационного выражения. Всего подобным способом было обработано шесть изображений, результаты сведены в таблицу, приведенную ниже. Результаты оценки среднего размера шероховатости почвы В целом соблюдается соотношение между оценками, полученными двумя описанными методами, а именно, второй метод дает оценки примерно в 1,5 (точнее в 1,62) раза большие, чем в модели телеграфного сигнала. С точки зрения устойчивости решения, метод, использующий модель телеграфного сигнала предпочтительнее, поскольку средний относительный разброс в этом случае составляет 13,37 %, а для второго метода данная величина равна 24,16 %. Суммируя сказанное, можно сделать следующие выводы. Первое, метод бинаризации с последующим анализом контуров позволяет определить распределение по размерам почвенных агрегатов, требует умеренных машинных затрат, но критичен к величине контраста изображения. Второе, метод анализа корреляционной функции изображения самый быстрый, легко автоматизируется, но определяет только средний размер шероховатости.

Об авторах

А. В. Дмитриев

Омский государственный педагогический университет

Россия, 644099, Омск, наб. Тухачевского, 14

В. В. Дмитриев

Омский государственный педагогический университет

Email: vdmitriev@omgpu.omsk.edu
Россия, 644099, Омск, наб. Тухачевского, 14

И. С. Конышев

Омский государственный педагогический университет

Россия, 644099, Омск, наб. Тухачевского, 14

В. Н. Тудос

Омский государственный педагогический университет

Россия, 644099, Омск, наб. Тухачевского, 14

Список литературы

Дополнительные файлы