Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Автореферат

диссертации на соискание ученой степени доктора технических наук

Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации

25.00.34 - аэрокосмические исследования земли, фотограмметрия

В.С. Марчуков

Москва - 2008

Работа выполнена на кафедре природопользования и географии
Московского Государственного Университета геодезии и картографии (МИИГАиК).

Научный консультант: доктор технических наук,

профессор Малинников В.А.

Официальные оппоненты: доктор технических наук,

Воронков В.Н.

доктор технических наук,

Барталев С.А.

доктор географических наук,

Ревзон А.Л.

Ведущая организация: ФГУП Государственный научно-исследовательский и производственный центр "Природа"

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Интенсивное развитие средств дистанционного зондирования Земли аэрокосмического базирования, увеличение объемов и информативности аэрокосмических данных приводит к непрерывному расширению круга решаемых на их основе тематических задач.

Изображения, полученные в результате дистанционного зондирования, характеризуются следующими свойствами: они содержат разнообразные однородные области, причем внутриклассовые среднеквадратичные отклонения характеристик часто сравнимы с разбросом между классами. Такие изображения называют сложными. При анализе сложного изображения все известные методы сегментации не могут гарантировать получения требуемого результата.

При тематической обработке данных аэрокосмической съемки информационные классы определяются, как набор объектов, которые необходимо выделить согласно требованиям решаемой тематической задачи и которые разделяются в имеющемся множестве данных. Основной проблемой при тематической сегментации сложных изображений земной поверхности является то, что применение алгоритмов классификации, использующих определенные условия однородности классов объектов и определенное пространство классификационных признаков, зачастую приводит к выделению на изображении сегментов, не соответствующих информационным классам решаемой тематической задачи. Для преодоления возникающих трудностей необходимо применять многоуровневые алгоритмы сегментации, использующие различные условия однородности классов объектов и различные подмножества классификационных признаков, учитывающие структурно-пространственные характеристики изображения. Все это определяет актуальность данной работы и обусловливает необходимость разработки теории и методов многоуровневой тематической сегментации аэрокосмических изображений.

Цель и задачи исследований. Целью настоящих исследований являлось решение научной проблемы тематической обработки изображений земной поверхности на основе многоуровневых алгоритмов сегментации.

Пути решения этой проблемы были определены следующим образом:

- разработка теории и методологии многоуровневой тематической сегментации аэрокосмических изображений земной поверхности;

- проведение экспериментальных исследований эффективности разработанных многоуровневых алгоритмов сегментации при решении различных тематических задач;

- исследование возможностей повышения эффективности тематической сегментации за счет использования технологии параллельной обработки изображений.

Научное значение и новизна работы. В настоящей работе разработаны теория и методология многоуровневой тематической сегментации аэрокосмических изображений земной поверхности. Результаты исследований позволяют повысить эффективность и оперативность тематической обработки материалов дистанционного зондирования земной поверхности.

На защиту выносятся следующие новые научные результаты, полученные в данной работе:

- теория и методология тематической обработки на основе многоуровневой классификации, с использованием структурно-пространственной модели исследуемых изображений;

- методология создания структурно-пространственной модели исследуемых изображений;

- алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста;

- методика многоуровневой тематической сегментации многозональных аэрокосмических изображений для определения природно-хозяйственных объектов исследуемых территорий;

- методика многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения;

- методика автоматизированного определения состояния теплотрасс по данным тепловизионной аэросъемки;

- методика количественной оценки эффективности распараллеливания и расчета оптимальной конфигурации вычислительного кластера при обработке изображений алгоритмами, использующими поэлементное сканирование изображений, и скользящими пространственными фильтрами.

Практическая ценность работы. Теория и методы, изложенные в работе, используются в ряде российских организаций, работающих в области дистанционного зондирования. В частности, они используются в следующих организациях:

-Государственное учреждение научный центр проблем аэрокосмического мониторинга "Аэрокосмос";

-Университет дружбы народов им. Патриса Лумумбы;

-ФГУ Государственный центр агрохимслужбы «СТАВРОПОЛЬСКИЙ".

На основе исследований автора были созданы курсы лекций «Дистанционные методы исследования природных ресурсов», «Технология тематической обработки данных дистанционного зондирования» для студентов факультета прикладной космонавтики МИИГАиК.

Разработанные методы используются в лабораторных занятиях по следующим курсам для студентов факультета прикладной космонавтики МИИГАиК:

- Дешифрирование аэрокосмических снимков;

- Технология тематической обработки данных дистанционного зондирования.

Разработанные методы используются в курсах лекций «Дистанционные методы контроля» и «Экологический мониторинг» для студентов экологического факультета Университета дружбы народов им. Патриса Лумумбы.

Разработки автора вошли в «Методические указания по ведению топографического мониторинга территории города Москвы по материалам космической съемки для решения задач мониторинга фактического использования земель», утвержденные Первым заместителем Мэра Москвы в Правительстве Москвы 28 сентября 2004г., введенные в действие - Приказом Департамента земельных ресурсов города Москвы 2 ноября 2004г. №82; Приказом Комитета по архитектуре и градостроительству города Москвы 1 ноября 2004г. №167.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на 11 Всероссийских и Международных конференциях и семинарах.

По теме диссертации опубликовано 36 научных работ.

Личный вклад автора. Все теоретические и методологические разработки, вынесенные на защиту в данной работе, выполнены лично автором.

Структура и объем диссертационной работы. Работа состоит из введения, шести глав, заключения и списка литературы. Диссертация изложена на 240 страницах, содержит 91 рисунок и 18 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Глава 1. Дистанционное зондирование Земли и проблемы тематической интерпретации аэрокосмических изображений.

В первой главе рассмотрены основные подходы и проблемы автоматизированной тематической обработки аэрокосмических снимков (АКС). Проведен анализ возможностей использования современных аэрокосмических систем дистанционного зондирования земной поверхности и рассмотрен круг тематических задач, которые в настоящее время решаются на основе данных дистанционного зондирования. Рассмотрены и проанализированы методы предварительной и тематической обработки АКС земной поверхности. Проанализированы функциональные возможности ряда программных пакетов обработки изображений.

Основными параметрами материалов аэрокосмической съемки, определяющими возможности извлечения информации об объектах тематической обработки, являются пространственное разрешение, спектральное разрешение, отношение «сигнал/шум» и их взаимосвязи.

При формировании требований к параметрам систем получения изображений первостепенное внимание уделяется выбору пространственного разрешения. При использовании методов визуальной обработки, в зависимости от его значения, интерпретатор может зрительно различить пространственную структуру и осуществить тематическую сегментацию на основе оценки визуальных признаков. При использовании методов автоматизированной обработки более высокое пространственное разрешение, давая больше деталей пространственной структуры, позволяет использовать в алгоритмах автоматизированной классификации формализованные пространственные признаки, что повышает достоверность правильного распознавания объектов.

Цифровая тематическая сегментация изображений может быть контролируемой (supervized) и неконтролируемой (unsupervized). При контролируемой сегментации для построения классификатора используются априорно известные тестовые (эталонные) участки, принадлежащие к определенному классу объектов. Неконтролируемая сегментация предполагает определение классов объектов чисто статистическим образом. Автоматизированная сегментация основывается на предположении, что подлежащие выделению объекты или какие-либо их части представлены на изображении областями, которые в некотором смысле однородны. Для их выявления используются автоматизированные методы разбиения изображений на однородные области (алгоритмы сегментации). Наиболее простым и широко распространенным методом сегментации изображений является пороговая обработка и ее обобщение для совместной обработки нескольких изображений - гиперпараллелепипедный метод.

Для решения задачи автоматизированной сегментации широко используются алгоритмы кластерного анализа.

В настоящее время существует ряд программных пакетов для персональных компьютеров, в которых реализованы различные варианты цифровых классификаторов изображений и алгоритмы модификации исходных (обрабатываемых) изображений.

Из иностранных пакетов программ наиболее известными являются ER Mapper, Erdass Imagine , Idrisi.

Тематическая обработка цифровых многозональных аэрокосмических изображений математически может быть определена следующим образом. Исходные многозональные цифровые изображения представляются дискретной векторной функцией F(x,y), определенной на двумерном дискретном пространстве (x,y), где

x = 1,2, ... m;

y = 1,2, ... n;

m и n - ширина и высота в пикселах обрабатываемых многозональных изображений;

f_i (x,y) - скалярные компоненты векторной функции F(x,y), представляющие собой цифровые дискретные значения интенсивности в точке (x,y ) i-го зонального изображения.

i = 1,2, ... , l;

l - количество совместно обрабатываемых зональных изображений.

Процесс тематической обработки определяется оператором следующего вида

F(x,y) s(x,y), (1) где

s(x,y) - дискретная скалярная функция;

s(x,y)= p_j , если (x,y) принадлежит классу j;

p_j - цифровые метки соответствующих классов;

j = 1,2,...,K,K+1;

K - количество выявляемых классов объектов, определяемое требованиями определенной тематической задачи.

Класс j=K+1 представляет собой смесь всех классов объектов, представленных на изображении, определение которых не является необходимым для решаемой тематической задачи, и трактуется как “фон”.

На основе проведенного анализа средств дистанционного зондирования земной поверхности аэрокосмического базирования можно утверждать, что данные многозональной съемки позволяют решать широкий круг тематических задач сельского хозяйства, геологии, климатологии, лесного хозяйства, океанологии, землепользования, контроля водных ресурсов и т. д.. При использовании в качестве алгоритмов получения сегментированного изображения пороговой обработки, гиперпараллелепипедного метода и кластерного анализа в процессе классификации не учитываются структурно-пространственная информация, содержащаяся на изображении. Методы наращивания однородных областей и методы, основанные на выделении границ, учитывают структурно-пространственные связи между соседними пикселами. К их недостаткам следует отнести более низкий уровень автоматизации и необходимость организации отдельного этапа, обеспечивающего идентификацию выделенных однородных областей, как определенных объектов на местности. Существующие программные пакеты обработки и анализа изображений содержат большое количество процедур, позволяющих формировать разнообразные модифицированные признаки, и основные алгоритмы классификации путем разметки точек изображения.

Проблема тематической сегментации сложных изображений земной поверхности заключается в том, что для эффективного выделения тематических объектов с различной пространственной конфигурацией необходимо использование разных предикатов однородности. Наиболее плодотворным путем преодоления трудностей является применение многоуровневых алгоритмов сегментации с учетом структурно-пространственных характеристик изображения и различных предикатов однородности.

Глава II. Теория и методология построения многоуровневых алгоритмов автоматизированной сегментации аэрокосмических изображений земной поверхности.

Во второй главе описана теория многоуровневой сегментации с использованием структурно-пространственной модели. Дано описание методологии создания структурно-пространственной модели исследуемых изображений. Приведено обоснование набора алгоритмов для выделения элементов пространственной структуры. Разработана методология тематической обработки изображений с использованием структурно- пространственной модели.

Теоретическая схема многоуровневой сегментации с использованием структурно-пространственной модели.

Предлагаемый теоретический подход основан на разделении процесса тематической сегментации аэрокосмических изображений земной поверхности на два этапа. На первом этапе осуществляется построение структурно-пространственной модели исследуемых изображений. На втором этапе применяется многоуровневая классификация, использующая различные алгоритмы классификаторов, которые работают не с неупорядоченным набором данных, а с данными определенной пространственной структуры. Полученная на первом этапе структурно-пространственная модель изображений используется на втором этапе для выбора различных алгоритмов модификации исходных изображений (видов предварительной обработки), выбора подмножества цифровых признаков для классификации определенного элемента пространственной структуры и управления работой классификатора.

Анализ пространственной структуры сложных аэрокосмических изображений показал, что на них целесообразно выделить четыре типа структурно-пространственных элементов, отличающихся по своим статистическим и пространственным характеристикам, и требующим соответственно различных подходов при выборе алгоритма классификатора и набора цифровых признаков для их сегментации:

- протяженные (площадные) объекты, линейные размеры которых более 10 пикселов в любом направлении;

- малоразмерные объекты, представляющие собой пятна площадью от 4 до 50 пикселов, значения интенсивности которых существенно отличаются от значений интенсивности прилегающей окрестности, хотя бы в одной зоне спектрального диапазона;

- граничные и линейные объекты, характеризуемые высоким значением градиента в каком-либо направлении и низким в ортогональном ему направлении, хотя бы в одной зоне спектрального диапазона;

- точечные объекты, занимающие на изображении не более одного пиксела, со значением интенсивности, существенно отличающимся от значений интенсивности прилегающей окрестности, хотя бы в одной зоне спектрального диапазона.

В предлагаемой теоретической схеме в результате первого этапа сегментации создается структурно-пространственная модель исследуемых изображений, представляющая собой сегментированное четырехуровневое изображение, на котором выделены четыре класса, соответствующие вышеопределенным элементам пространственной структуры.

На рисунке 1 показана разработанная блок-схема многоуровневой сегментации, с использованием структурно-пространственной информации об объектах, представленных на изображении. Процесс построения многоуровневых алгоритмов сегментации содержит следующие шаги:

1. Выделение элементов пространственной структуры - площадных объектов, точечных объектов, малоразмерных объектов, граничных и линейных объектов. Этот шаг выполняется путем использования четырехуровневого классификатора.

2. Построение структурно-пространственной модели исследуемых изображений.

3. Предварительная обработка исходных изображений и выбор оптимального подмножества признаков для тематической классификации выделенных элементов пространственной структуры.

4. Тематическая классификация элементов пространственной структуры.

5. Формирование итогового сегментированного изображения.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Методология создания структурно-пространственной модели исследуемых изображений.

Выделение элементов пространственной структуры представляет собой процесс получения классифицированного изображения, на котором определены четыре класса структурных элементов. Построение структурно-пространственной модели необходимо осуществлять применяя многоуровневый классификатор, так как выделение классов структурных элементов в силу различия их геометрических и контекстных свойств требуют, соответственно, различных подходов при их классификации.

Для решения задачи выделения на поле исходных изображений структурного элемента “точечные объекты” может использоваться “разностный алгоритм”, предложенный Розенфельдом и др. Последовательное применение данного алгоритма ко всем совместно обрабатываемым изображениям и последующее сложение полученных бинарных изображений позволяет выделить все точки, имеющие локальный контраст хотя бы в одной зоне спектрального диапазона. Экспериментальное исследование работы этого алгоритма показало его высокую эффективность выделения точечных объектов в случае их расположения на фоне однородных областей.

К недостаткам данного алгоритма следует отнести необходимость эмпирического подбора пороговых значений при получении бинарных изображений в интерактивном режиме.

Отмеченный недостаток устранен в разработанном автором алгоритме выделения точечных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста обрабатываемой точки изображения (x,y). Алгоритм работает следующим образом. Обрабатываемое изображение сканируется скользящим окном размером 3х3 элемента изображения, в котором определяются выборочные оценки среднего значения интенсивности и среднего квадратичного отклонения (СКО) по следующим формулам

= --[ f(x+i,y+j)- f(x,y)]

8 i=-1 j=-1

²= --{ [f(x+i,y+j)-]²-[f(x,y)}- ]²} (2)

Полученные оценки используются для определения локальных пороговых значений T(x,y) при выделении точечных объектов по следующему правилу. Элемент изображения определяется, как точечный объект, если выполняется следующее условие

abs ( f(x,y) - ) < T(x,y) (3)

где T(x,y) = k k - некоторая константа.

Для теоретического обоснования выбора значения константы k примем предположение о Гауссовом распределении значений интенсивности фона, на котором расположен точечный объект. Вероятность ложного обнаружения точечного объекта F будет определяться следующим выражением

2 k

F(k)= -- exp(-t²/2)dt (4)

2 -

откуда определяется значение k.

Использование данного алгоритма позволяет автоматически выделять точечные объекты с заданной вероятностью ложного обнаружения F.

Для выделения малоразмерных объектов также может быть использован разностный алгоритм, предложенный Розенфельдом и др. Недостатком этого алгоритма является то, что он наряду с малоразмерными объектами выделяют контрастные линейные объекты определенной толщины. Для устранения этого недостатка был разработан модифицированный алгоритм выделения малоразмерных объектов, работающий следующим образом.

Исходное изображение сканируется окном размером 3lx3l элементов, где l равняется линейной толщине выделяемых малоразмерных объектов. В этом окне выбираются 9 окон размером lxl элементов, в которых вычисляются средние значения интенсивности и средние квадратичные отклонения . Малоразмерный объект выделяется в том случае, если среднее значение в центральном окне ₀ существенно отличается от средних значений в каждом из прилегающих восьми окон ₁,...,_8.

Полученные выборочные средние значения и СКО используем для построения обнаружителя малоразмерных объектов с заданными вероятностными характеристиками. Определим вероятность правильного обнаружения малоразмерного объекта P_{по ,} как вероятность принятия решения об обнаружении малоразмерного объекта в случае наличия малоразмерного объекта, и вероятность ложного обнаружения малоразмерного объекта P_{ло ,} как вероятность принятия решения об обнаружении малоразмерного объекта в случае отсутствия малоразмерного объекта.

Рассмотрим случай, когда значения интенсивности малоразмерного объекта превышают значения интенсивности фона. В предположении о Гауссовом характере распределения значений интенсивности малоразмерных объектов вероятность правильного обнаружения будет определяться следующим выражением

1

P_по(k)= -- exp(-t²/2)dt (5)

2 k_по

где k_по - некоторая константа правильного обнаружения, определяемая из выражения (5).

Приняв предположение о Гауссовом характере распределения значений интенсивности фона, получим следующую формулу, определяющую вероятность ложного обнаружения

1

P_ло(k)= -- exp(-t²/2)dt (6)

2 k_ло

где k_{ло -} некоторая константа ложного обнаружения, определяемая из выражения (6).

Соответствующие вышеопределенным константам значения интенсивностей f_по и f_ло определяются из следующих выражений

(_o - f_по) (f_ло - _ф)

k_по = -------- k_ло = ------ (7)

_{о ф}

где _o - выборочное среднее интенсивности малоразмерного объекта

_о - СКО интенсивности малоразмерного объекта;

_ф - выборочное среднее интенсивности фона;

_ф - СКО интенсивности фона.

f_{по = o -} k_поо f_{ло = ф +} k_лоф

Решение об обнаружении малоразмерных объектов принимается при выполнении условия f_по f_ло

и, соответственно, решающее правило обнаружения малоразмерных объектов большей интенсивности, чем фон имеет следующий вид

_{o - ф}

---------- 1 (8)

k_{поо +} k_лоф

Повторив вышеприведенные выкладки для случая, когда интенсивность малоразмерных объектов меньше интенсивности фона получим следующее решающее правило

_{ф - о}

---------- 1 (9)

k_{поо +} k_лоф

Соответственно решающее правило обнаружения малоразмерных объектов в общем случае будет иметь следующий вид

abs(_{ф - о})

---------- 1 (10)

k_{поо +} k_лоф

Решение об обнаружении малоразмерного объекта принимается при выполнении условия (10) для всех сочетаний центрального окна (_{о о}) с восемью соседними окнами (_{i i}) i= 1,...,8. Последовательное применение этого алгоритма ко всем обрабатываемым зональным изображениям и последующее сложение изображений с выделенными малоразмерными объектами позволяет получить изображение малоразмерных объектов, которые удовлетворяют вышеопределенному критерию, хотя бы в одном спектральном диапазоне.

На основе экспериментальных исследований работы разностного и адаптивного порогового алгоритма сделаны следующие выводы. И разностный алгоритм, и предложенный адаптивный пороговый алгоритм обеспечивают уверенное выделение малоразмерных объектов со значением контраста выше 1. Уменьшение контраста при использовании обоих алгоритмов приводит к снижению вероятности правильного обнаружения, причем оба алгоритма перестают выделять малоразмерные объекты с уровнем контраста ниже 0,4. Использование разностного алгоритма приводит к ложному выделению малоразмерных объектов на контрастных границах однородных областей, а также в местах расположения линейных объектов. Адаптивный пороговый алгоритм, обеспечивая правильное обнаружение малоразмерных объектов, позволяет исключить ложное выделение линейных объектов и границ однородных областей, как малоразмерных объектов.

Выделение элементов пространственной структуры изображений, определенных как “протяженные объекты” и “граничные и линейные объекты”, осуществляется путем классификации изображений, на которых выделены “точечные”, и “малоразмерные” объекты, соответственно, обработке подвергаются точки изображения, не отнесенные к этим элементам. Выделение элемента структуры “граничные и линейные объекты” осуществляется путем пороговой обработки изображений с контрастированными границами. Для получения изображений с контрастированными границами обычно используются два вида алгоритмов:

- алгоритмы пространственного дифференцирования;

- алгоритмы высокочастотной Фурье-фильтрации.

Такой подход эффективен при обработке изображений, на которых отсутствует четко выраженная текстура. При наличии четко выраженной текстуры велика вероятность отнесения точек протяженных объектов к граничным объектам. Поэтому более эффективной является следующая последовательность операций при определении на изображениях протяженных и граничных объектов. На первом этапе по эталонным участкам протяженных объектов находятся объекты с четко выраженной текстурой. Затем производится выделение этих объектов по текстурным признакам. Из общего поля изображения производится вычитание выделенных участков, отнесенных к протяженным объектам. Оставшиеся участки разделяются на протяженные и граничные объекты методом пороговой обработки. Для выбора пороговых значений можно использовать эталонные участки границ, осуществляя подбор пороговых значений в интерактивном режиме. Общая блок-схема построения структурно-пространственной модели, обрабатываемых изображений, показана на рисунке 2.

Рис.2. Блок-схема построения структурно-пространственной модели изображений.

В результате получаем классифицированное четырехуровневое изображение, описывающее структурно-пространственные характеристики исследуемых изображений.

Методология тематической классификации изображений с использованием структурно- пространственной модели.

Полученная на первом этапе обработки структурно-пространственная модель исследуемых изображений позволяет организовать процесс тематической сегментации на основе многоуровневой классификации, использующей различные подходы и таким образом сформировать многоуровневый алгоритм, сочетающий в себе преимущества выбранных видов классификаторов.

На первом уровне второго этапа классифицируются протяженные объекты. Теоретическое обоснование их тематической сегментации на первом уровне основывается на том, что они определяются максимальным числом признаков и, вследствие этого, возможностью их эффективной классификации на первом уровне без использования контекстной информации. В тоже время результаты их сегментации могут быть использованы на последующих уровнях для формирования модифицированных контекстных признаков. Для выделения классов протяженных объектов в зависимости от их свойств, статистических и геометрических характеристик могут использоваться различные классификаторы, как на основе выделения границ однородных областей, так и на основе разметки точек изображения.

Для осуществления теоретически обоснованного выбора вида классификатора определим следующие типы протяженных объектов:

протяженные объекты с относительно постоянным значением интенсивности по полю снимка, хотя бы в одной зоне спектрального диапазона;

протяженные объекты с градиентом интенсивности во всех зонах спектрального диапазона и с высоким значением градиента интенсивности на границах хотя бы в одной зоне спектрального диапазона;

протяженные объекты с градиентом интенсивности и невысоким значением градиента на границах во всех зонах спектрального диапазона.

На основе проведенного анализа преимуществ и недостатков различных видов классификаторов можно сделать вывод о наибольшей целесообразности использования кластерного анализа для сегментации протяженных объектов 1-го типа, выделяемых по первичным признакам. В случае необходимости использования большого количества дополнительных признаков наиболее эффективным является применение гиперпараллелепипедного метода.

В случае сегментации протяженных объектов типа 2 используется классификатор на основе методов выделения границ однородных областей. Для сегментации объектов типа 3 наиболее эффективным является применение методов наращивания однородных областей.

В общем случае при тематической обработке изображений, содержащих протяженные объекты всех трех типов, необходимо использовать подуровни сегментации с различными видами классификаторов - кластерным анализом или гиперпараллелепипедным методом для объектов типа 1, выделения границ однородных областей для типа 2 и метода наращивания однородных областей для типа 3.

На следующем уровне осуществляется тематическая сегментация малоразмерных объектов. Для их выделения обоснованным является применение того же подхода и видов классификаторов, что и при сегментации протяженных объектов 1-го типа. Использование более высокого уровня повышает эффективность их выделения, так как в соответствующее подмножество классификационных признаков могут быть добавлены модифицированные контекстные признаки, полученные путем обработки результатов тематической сегментации протяженных объектов на первом уровне.

На третьем уровне тематической классификации выделяются граничные и линейные объекты. Как отмечалось выше, они характеризуются большим разбросом спектральных интенсивностей, поэтому для их правильной идентификации необходимо использование контекстной информации, полученной в результате предыдущих уровней тематической сегментации. Одним из способов введения контекстной информации в этом случае является применение локальных алгоритмов кластерного анализа, работающих в некоторой, относительно небольшой, окрестности с определением для каждой обрабатываемой точки граничных элементов центров кластеров объектов, присутствующих в ее окрестности, по результатам сегментации на предыдущих уровнях и отнесении ее к соответствующим классам объектов, определенных на предыдущих уровнях сегментации. Другим менее точным, но более эффективным в вычислительном отношении способом использования контекстной информации, является наращивание на области граничных объектов близлежащих однородных областей, выделенных на предыдущих этапах сегментации.

На четвертом уровне классифицируются точечные объекты. Как было отмечено выше, большой разброс значений их спектральных интенсивностей и их геометрические размеры делают невозможным использование при их классификации спектральных и текстурных признаков, вследствие чего на первый план выходит использование контекстной информации. Вместе с тем алгоритмы классификации, использующие только контекстные признаки, позволяют разделить точечные объекты на весьма ограниченное число классов, определяемое числом фоновых (по отношению к точечным объектам) классов, выделенных на предыдущих уровнях, и обеспечивают невысокую достоверность классификации. С целью увеличения количества классов, на которые разделяются точечные объекты, и повышения достоверности предлагается использовать спектрально-контекстные признаки точечных объектов, определяемые следующим образом.

Каждый класс точечных объектов определяется значениями спектральных контрастов по отношению к спектральным интенсивностям класса, на фоне которого находится данный точечный объект. В каждой зоне спектрального диапазона спектрально-контекстный признак точечного объекта может принимать три значения:

- +1 - в случае положительного контраста в этой зоне;

- -1 - в случае отрицательного контраста;

- 0 - если контраст в данной зоне отсутствует.

Применение такого набора признаков в случае классификации по N снимкам, полученным в различных зонах спектрального диапазона, позволяет разделить точечные объекты, находящиеся на определенном фоне, на 3^N различных классов. Таким образом, при использовании 3 зон спектрального диапазона на каждом фоне можно определить 27 различных классов точечных объектов, использование 4 снимков позволяет выделить 81 различный класс.

Применение спектрально-контекстных признаков при наличии предварительно созданного банка их значений для всевозможных сочетаний пар “точечный объект” - “фон” позволяет существенно расширить возможности определения точечных объектов.

Предложенные спектрально-контекстные признаки могут использоваться не только для классификации точечных объектов, но и для организации процесса тематической сегментации других типов объектов посредством сочетания контролируемой и неконтролируемой классификации.

Преимущества многоуровневой сегментации на основе структурно-пространственной модели.

Применение тематической обработки с использованием структурно-пространственной модели исследуемых изображений позволяет организовать процесс сегментации на основе многоуровневой классификации, использующей различные подходы и таким образом сформировать многоуровневый алгоритм, сочетающий в себе преимущества различных видов классификаторов. На каждом уровне тематической сегментации в процесс классификации вовлекаются не все точки изображения, а только те, которые относятся к соответствующему структурному элементу на полученной структурно-пространственной модели, что существенным образом сокращает объем вычислений, и за счет этого можно использовать более сложные и эффективные алгоритмы классификации, применение которых для всего изображения ограничивается большими объемами вычислений. Еще одним важным преимуществом данного подхода является возможность использования на каждом уровне своего набора классификационных признаков, наиболее эффективного для тематической сегментации этого элемента пространственной структуры. Расчет этих признаков также осуществляется только для соответствующих точек полученной пространственной структуры, что существенно сокращает вычислительные затраты. Использование практических методик тематической сегментации на основе структурно-пространственной модели открывает следующие возможности повышения вероятности правильного распознавания тематических объектов:

- выбор разных видов классификаторов, оптимальных для тематической сегментации определенного структурного элемента;

- выбор оптимального подмножества классификационных признаков для каждого структурного элемента;

- использование более сложных и эффективных алгоритмов классификации.

Глава 3. Многоуровневая тематическая обработка многозональных аэрокосмических изображений.

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.

аэрокосмический изображение многоуровневый

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 S_k и количество пикселей N_k, отнесенных по результатам классификации к классу К. По контрольном участкам всех остальных классов находится класс Q с максимальным значением количества пикселей N_q, отнесенных по результатам классификации к классу К. Определяется площадь контрольного участка класса в пикселях S_q и количество пикселей N_q, по результатам классификации к классу К. Вероятность правильной классификации класса К - P_k 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.



Рис.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 вероятность 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, присутствующих на радиолокационном снимке, позволяет сделать следующие выводы.

Рис.19. Исходное радиолокационное изображение.

Рис. 20. Гистограммы распределения яркостей объектов.

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.

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.

...