Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации 25. 00. 34 аэрокосмические исследования земли, фотограмметрия
| Вид материала | Автореферат диссертации |
- Барталёв Святослав Сергеевич разработка методики региональной экологической оценки, 302.16kb.
- Учебная программа дисциплины «Методы цифровой обработки сигналов и изображений» (СД., 220.56kb.
- Теория и методы цифровой обработки сигналов, 160.01kb.
- Космические и авиационные технологии Аэрокосмические методы и средства исследования, 97.33kb.
- О. А. Мишулина московский инженерно-физический институт ( государственный университет, 25.24kb.
- Задача: формирование методологической готовности к научно-исследовательской деятельности, 702.35kb.
- Лекция №11. Космические снимки Лекция №11. Космические снимки, 259.2kb.
- Секция 6 А. В. Ковальчук, А. Е. Иванов, В. Г. Яхно, 89.91kb.
- 05. 02. 07 Технология и оборудование механической и физико-технической обработки, 24.16kb.
- Обработка и передача изображений, 213.76kb.
В третьей главе представлены методики тематической обработки многозональных аэрокосмических изображений. Приведены результаты исследований выявления заболоченных территорий по данным многозональной съемки КА Landsat-7 участка территории в Истринском районе Московской области. Описаны особенности отображения различных видов земных покрытий в разных спектральных диапазонах. Представлена методика тематической обработки данных многозональной съемки КА Landsat-7 участка территории в районе г. Дубна Московской области и снимков в 9 спектральных диапазонах, полученных с датчика Aster КА Terra, участка территории Московской области в районе Приокско - террасного государственного биосферного заповедника. Проведен анализ полученных результатов. Приведены результаты экспериментального исследования нового алгоритма автоматизированного выделения малоразмерных объектов заданного размера, позволяющего достоверно выделять объекты с сохранением разрешающей способности исходных снимков.
Методика тематической обработки многозональных изображений КА Landsat-7.
Исследовалась территория в районе г. Дубна Московской области. На рис.3 – 8 представлены зональные снимки этой территории, полученные с КА Landsat-7 в диапазонах 0,45-0,52 мкм, 0,52-0,60 мкм, 0,63-0,69 мкм, 0,76-0,90 мкм, 1,55-1,75 мкм, 2,08-2,35 мкм, соответственно.
Рис.3 Рис.4 Рис.5
Рис.6 Рис.7 Рис.8
Для проведения тематической обработки на основе теоретических схем, изложенных во второй главе, была построена методика, использующая структурно-пространственную модель исследуемых изображений и многоуровневую классификацию.
Результат тематической сегментации с использованием на разных этапах автоматизированных и визуальных методов обработки показан на рис. 9. Блок-схема методики представлена на рис. 10. Для получения количественных оценок достоверности по результатам тематической обработки была рассчитана вероятность правильной классификации объектов. В качестве критерия использовалась вероятность правильной классификации класса
К, определенная следующим образом. По контрольному участку (участкам) класса К определяются его площадь в пикселях Sk и количество пикселей Nk, отнесенных по результатам классификации к классу К. По контрольном участкам всех остальных классов находится класс Q с максимальным значением количества пикселей Nq, о
тнесенных по результатам классификации к классу К. Определяется площадь контрольного участка класса в пикселях Sq и количество пикселей Nq, по результатам классификации к классу К. Вероятность правильной классификации класса К - Pk рассчитывается по формуле 
(11) Рис.9. Результат тематической сегментации.Для проведения сравнительного анализа эффективности тематической сегментации с использованием многоуровневой классификации была проведена тематическая сегментация этих же снимков по методике одноуровневой контролируемой классификации.
Сравнительная экспериментальная оценка вероятности правильной классификации объектов, выделяемых в автоматизированном режиме, приведена в таблице 1.
Рис. 10. Блок-схема тематической обработки.
Таблица 1. Вероятности правильной классификации.
| Объекты | Вероятность правильной классификации | |
| Многоуровневая классификация | Одноуровневая классификация | |
| Глубоководные объекты | 0.94 | 0.94 |
| Мелководные объекты | 0.91 | 0.89 |
| Луга и пустыри | 0.87 | 0.75 |
| Хвойные леса | 0.92 | 0.91 |
| Смешанные леса | 0.89 | 0.88 |
| Лиственные леса | 0.87 | 0.86 |
| Садово-огородные участки | 0.88 | 0.79 |
| Кварталы городского типа | 0.9 | 0.77 |
Методика выявления заболоченных территорий по данным многозональной съемки КА Landsat-7.
На рис.11 - 15 представлены зональные снимки КА Landsat 7 в диапазонах 0,45-0,52 мкм., 0,52-0,60 мкм., 0,63-0,69 мкм, 0,76-0,90 мкм., 1,55-1,75 мкм. На снимках отображен участок территории Московской области на границе Истринского и Рузского районов.
Исследовалась возможность определения заболоченных участков территории путем автоматизированной многоуровневой сегментации. На основе теоретических схем, изложенных во второй главе, была разработана методика многоуровневой классификации. Результат представлен на рис.16.
Рис.11. Рис.12. Рис.13.
Р
ис.14 Рис.15. Рис.16.Анализ полученных результатов позволяет сделать вывод, что использование данных многозональной съемки в 5 зонах спектрального диапазона (3 видимых, 1 ближний ИК и 1 средний ИК) обеспечивает возможность получения достоверной картины расположения заболоченных участков в лесной местности. Экспериментальная проверка по тестовым участкам заболоченных территорий и лесной растительности показала, что вероятность правильной классификации заболоченных участков составляет 82%. При решении данной задачи по методике одноуровневой контролируемой классификации была получена вер
оятность правильной классификации заболоченных участков 79%.
Рис. 17 Блок-схема методики выделения заболоченных участков.
Методика тематической обработки снимков с датчика Aster КА Terra.
Исходными данными для тематической обработки являлись зональные изображения участка территории Московской области. Исследуемая территория интересна тем, что на ней представлен набор различных компонентов ландшафта - антропогенных и природных, характерных, как для лесных, так и для степных территорий. Для решения задачи выделения природно-хозяйственных объектов была применена методология многоуровневой сегментации. Автоматизированная сегментация не позволяет выделить линейные объекты, ширина которых не превышает одного пиксела, такие как автомобильные дороги, ЛЭП, небольшие речки. Их определение проводилось визуально в интерактивном режиме. Общая блок-схема описанного процесса многоуровневой сегментации показана на рис.18.
Рис.18. Общая блок-схема процесса многоуровневой сегментации.
Сравнительная оценка вероятности правильной классификации природно-хозяйственных объектов по формуле (11) для многоуровневой сегментации и одноуровневой методологии контролируемой сегментации приведена в табл..2. Сравнительный анализ результатов, полученных с помощью использования методик многоуровневой сегментации многозональных изображений, основанный не только на примерах, приведенных в данной работе, но и на широком ряде изображений различных территорий, показал устойчивое повышение вероятности правильного распознавания до 15%.
Таблица 2. Вероятности правильной классификации .
| Объекты | Вероятность правильной классификации | |
| Многоуровневая классификация | Одноуровневая классификация | |
| площадные объекты гидрографии | 0.94 | 0.94 |
| автомагистрали | 0.91 | 0.89 |
| застроенные территории | 0.95 | 0.8 |
| лесная растительность | 0.96 | 0.91 |
| заболоченные участки | 0.87 | 0.81 |
| луга | 0.94 | 0.82 |
| пашни | 0.93 | 0.8 |
| пустыри | 0.91 | 0.81 |
| молодая поросль леса | 0.95 | 0.91 |
| садово-огородные участки | 0.94 | 0.85 |
| песчаные поверхности | 0.92 | 0.86 |
| песчаное мелководье | 0.88 | 0.87 |
Глава 4. Тематическая обработка радиолокационных аэрокосмических изображений.
В четвертой главе рассмотрены особенности тематической интерпретации радиолокационных снимков земной поверхности сверхвысокого разрешения. Показано, что автоматизированная тематическая сегментация радиолокационных изображений сопряжена со значительными трудностями, вследствие чего далеко не все объекты видимые на снимке могут быть выделены в автоматизированном режиме. Представлена методика тематической обработки радиолокационных изображений, сочетающая на разных этапах визуальные и автоматизированные методы.
Автоматизированная тематическая обработка радиолокационных снимков.
На рис.19. представлен радиолокационный снимок, полученный радиолокатором с синтезированной апертурой, установленным на самолете, участка территории Раменского района Московской области в районе деревни Фенино. Разрешающая способность на местности 3м. Значительная часть исследуемой территории занята лесом, лугами и сельскохозяйственными полями. На снимке также представлены следующие объекты: озеро, автомобильные дороги, агропромышленный объект, деревня и дачные участки. На рисунке 20 представлены гистограммы распределений отмеченных классов объектов. Анализ гистограмм тестовых участков объектов, присутствую- Рис.19. Исходное радиолокационное изображение.
Рис. 20. Гистограммы распределения яркостей объектов.
щих на радиолокационном снимке, позволяет сделать следующие выводы.
Значения яркости лесной растительности расположены практически во всем динамическом диапазоне и пересекаются со значениями яркости всех других классов объектов, представленных на снимке. Выделение лесной растительности по значениям яркости невозможно. Значения яркости лугов незначительно пересекаются со значениями яркости водных объектов и радиолокационных теней и практически не пересекаются со значениями яркости объектов агропромышленного комплекса, зданий сельского типа и построек дачных участков и эти объекты могут быть разделены по яркостным признакам. Яркости водной поверхности и радиолокационных теней практически не отличаются друг от друга и отображаются радиолокационном снимке черным тоном, который существенно отличается от всех других объектов, представленных на снимке. Таким образом, водные поверхности и радиолокационные тени могут быть эффективно отделены от всех объектов, кроме лесной растительности, по яркостному признаку. Гистограммы яркости объектов агропромышленного комплекса, зданий сельского типа и построек дачных участков имеют одинаковый вид и характеризуются высокими значениями яркости, по которым они могут быть отделены от всех объектов, кроме лесной растительности. Гистограммы яркости автомобильных дорог полностью пересекаются с гистограммами лесов и лугов.
Проведенный анализ показывает, что автоматизированная сегментация радиолокационных изображений сопряжена со значительными трудностями. Для организации автоматизированной сегментации необходимо использование различных модифицированных признаков и многоуровневой классификации. Разработанная многоуровневая методика содержит следующие этапы.
На первом этапе выделяются по яркостному признаку на исходном изображении объекты гидрографии и радиолокационные тени.
На втором этапе путем использования алгоритмов выделения объектов определенного размера определяются здания агропромышленного комплекса и здания сельского типа.
На третьем этапе визуально в интерактивном режиме осуществляется выделение автомобильных дорог.
На четвертом этапе определяются луга и лесная растительность. Этот этап выполняется после первых трех этапов, так как использует полученные результаты. Для выделения лесной растительности и лугов использовалось исходное изображение, из которого были удалены участки, занятые сооружениями агропромышленного комплекса, зданиями сельского типа, автомобильными дорогами, объектами гидрографии и радиолокационными тенями, полученные в результате сегментации на первых трех этапах. Путем обработки исходного изображения получаются два модифицированных изображения – изображение, обработанное медианным фильтром 9х9 элементов и изображение, представляющее собой разность максимальных и минимальных значений в скользящем окне размером 11х11 элементов, которое характеризует текстурные особенности лесной растительности и лугов. Выделение лесной растительности и лугов производится путем контролируемой классификации трех вышеперечисленных изображений по методу максимального правдоподобия.
Результат сегментации показан на рис.21.
Рис. 21. Результат тематической сегментации.
- лесная растительность- луга
- озеро
- автомобильные дороги
- объекты агропромышленного комплекса
- здания сельского типа
- нераспознанные участки
Результаты исследований, описанных в данной главе, показали возможность создания эффективных методик автоматизированной тематической обработки РЛ снимков на основе многоуровневой сегментации.
Глава 5. Тематическая обработка материалов тепловой ИК съемки.
Пятая глава посвящена вопросам тематической обработки изображений земной поверхности сверхвысокого разрешения, полученных в тепловом ИК диапазоне. Описана разработанная технология автоматизированного определения состояния теплотрасс по данным тепловизионной аэросъемки.
Тепловая ИК аэросъемка (ТИКАС) позволяет получать изображения масштаба порядка 1:100000 и крупнее с разрешением несколько дециметров, что делает возможным ее применение при изучении элементов ландшафта самых различных уровней. Круг объектов наблюдения дистанционного теплового мониторинга (ДТМ) весьма многообразен. В него входят объекты, различающиеся по своей физической сущности, положению в пространстве, связи с антропогенной деятельностью и другим свойствам. На тепловых снимках отображаются контрасты, а не абсолютные величины радиационной температуры, поэтому между тоном снимка и радиационной температурой на местности нет однозначного соответствия. Два идентичных объекта с одинаковой энергетической яркостью отображаются на снимке одним тоном только при условии их размещения на одинаково излучающем фоне.
Радиационный контраст в значительной мере определяется временем съемки. Один и тот же объект на тепловых снимках, полученных в различных радиационных условиях, может менять свой контраст с фоном вплоть до противоположного. Выделение объектов наблюдения ДТМ на тепловых изображениях производится по совокупности дешифровочных признаков, основными из которых являются — яркостной контраст, пространственная характеристика и конфигурация тепловой аномалии.
Использование данных тепловизионной аэросъемки для мониторинга состояния теплотрасс.
В условиях городского ландшафта тепловые сети — один из немногих видов объектов, отображающихся в тепловом поле земной поверхности, даже при наличии твердого дорожного покрытия. Такие явления, как подтопление участков теплотрасс при авариях на городском водопроводе или талыми водами, приводящие к интенсивной наружной коррозии теплотрасс, могут значительно изменять картину теплового излучения. Визуальная тематическая обработка материалов тепловизионной аэросъёмки занимает значительный период времени, что практически может лишить получаемую информацию оперативности. По этой причине становится очевидной целесообразность применения автоматизированных методов интерпретации.
На рис.22. представлено тепловое изображение участка территории города Москвы в районе Вешняковской улицы, полученное в марте 2003 года с помощью тепловизионного комплекса "Икар-002" (разработка ГНПП "Аэрогеофизика"), установленного на борту вертолёта МИ-2Т. На изображении присутствуют следующие объекты: проезжие части Реутовской улицы, аллеи Жемчуговой и Вешняковской улицы, жилые здания, гаражи, древесная и кустарниковая растительность, автомобили, участки и камеры тепловых сетей. На изображении присутствуют тепловые сети, которые являются основным объектом изучения в рамках поставленной задачи. На снимке можно видеть участки теплотрасс с различными значениями яркости, что немаловажно при анализе экспериментальных данных.
Визуальный анализ значений яркости на снимке показывает, что участки тепловых сетей выделяются более высокими значениями интенсивности, причем эти значения для аварийных участков превышают значения яркости для других участков теплотрасс. Вместе с тем такими же высокими значениями яркости на снимке отображаются некоторые здания и их части.
Рис. 22. Изображение в тепловом диапазоне, разрешающая способность 0,5м.
Разработанная технологическая схема локальной классификации аварийных участков теплотрасс по материалам тепловизионной съемки в качестве исходных данных использует тепловизионное изображение исследуемого участка территории и эксплутационную схему теплотрасс на данную территорию. На первом этапе на основе данных эксплуатационной схемы формируется бинарное растровое изображение (схема) местоположения теплотрасс для исследуемого участка территории.
На втором этапе осуществляется геометрическая привязка тепловизионного изображения к растровому изображению теплосетей путем трансформирования первого в проекцию второго.
На третьем этапе с целью расширения участков теплотрасс производится фильтрация скользящими порядковыми статистиками бинарного растрового изображения местоположения теплотрасс. Этот шаг выполняется для того, чтобы устранить влияние неточности данных эксплуатационной схемы и погрешностей съемки. Результат обработки схемы тепловых сетей скользящими порядковыми статистиками приведен на рис.23.
Рис.23.Схема ТС после фильтрации скользящими порядковыми статистиками.
На следующем четвертом этапе из исходного изображения, геометрически привязанного к схеме тепловых сетей, полученного в результате второго этапа, вычитается бинарное (черный тон 0, белый тон 255) изображение схемы ТС после фильтрации скользящими порядковыми статистиками, полученное в результате выполнения третьего этапа.
На последнем пятом этапе проводится пороговая обработка разностного изображения. Результат автоматизированного выделения участков ТС с повышенными теплопотерями показан на рисунке 24.
Р
ис.24 Результат автоматизированного выделения аварийных участков ТС.
Анализ результата автоматизированной обработки по вышеприведенной технологической схеме показал, что она позволяет при наличии электронных схем расположения теплосетей на конкретный участок территории с высокой вероятностью правильного обнаружения (выше 90%) выделять участки тепловых сетей с высоким значением теплопотерь.