Дешифрирование и обработка цифровых снимков

Размещено на http://www.allbest.ru/

Дешифрирование и обработка цифровых снимков

1. Дешифровочные признаки

Необходимая для исследований информация (предметно-содержательная и геометрическая) извлекается из снимков двумя основными методами, это дешифрирование и фотограмметрические измерения. Дешифрирование, которое должно дать ответ на основной вопрос - что изображено на снимке, позволяет получать предметную, тематическую (в основном качественную) информацию об изучаемом объекте или процессе, его связях с окружающими объектами. В визуальном дешифрировании обычно выделяют чтение снимков и их интерпретацию (толкование). Умение читать снимки базируется на знании дешифровочных признаков объектов и изобразительных свойств снимков. Глубина же интерпретационного дешифрирования существенно зависит от уровня подготовки исполнителя. Чем лучше знает дешифровщик предмет своего исследования, тем полнее и достовернее информация, извлекаемая из снимка. Фотограмметрическая обработка (измерения) призвана дать ответ на вопрос - где находится изучаемый объект и каковы его геометрические характеристики: размер, форма. Для этого выполняется трансформирование снимков, их изображение приводится в определенную картографическую проекцию. Это позволяет определять по снимкам положение объектов и их изменение во времени.

Современные компьютерные технологии получения информации по снимкам позволяют решать следующие группы задач: ? визуализация цифровых снимков; ?

геометрические и яркостные преобразования снимков, включая их коррекцию; ?

конструирование новых производных изображений по первичным снимкам; ?

определение количественных характеристик объектов;

компьютерное дешифрирование снимков (классификация). Для выполнения компьютерного дешифрирования применяют наиболее распространенный подход, основанный на спектральных признаках, в качестве которых служит набор спектральных яркостей, зарегистрированных многозональным снимком. Формальная задача компьютерного дешифрирования снимков сводится к классификации -- последовательной «сортировке» всех пикселей цифрового снимка на несколько групп. Для этого предложены алгоритмы классификации двух видов -- с обучением и без обучения, или кластеризации (от англ. cluster -- скопление, группа). При классификации с обучением пиксели многозонального снимка группируются на основе сравнения их яркостей в каждой спектральной зоне с эталонными значениями.

При кластеризации же все пиксели разделяют на группы-кластеры по какому-либо формальному признаку, не прибегая к обучающим данным. Затем кластеры, полученные в результате автоматической группировки пикселей, дешифровщик относит к тем или иным объектам. Достоверность компьютерного дешифрирования формально характеризуется отношением числа правильно классифицируемых пикселей к их общему числу. Вычислительные алгоритмы, основанные на спектральных признаках отдельных пикселей, обеспечивают надежное решение только самых простых классификационных задач; они рационально включаются в качестве элементов в сложный процесс визуального дешифрирования, которое пока остается основным методом извлечения природной и социально-экономической информации из аэрокосмических снимков.

2. Процесс дешифрирования

Дешифрирование определяют, как процесс изучения снимков с целью идентификации объектов и оценки их значимости. Дешифрирование является сложной задачей, для решения которой необходимо выполнить ряд работ по классификации и подсчету количества объектов, измерению их параметров и определению границ. Первым этапом дешифрирования является классификация объектов, в ходе которой оператор относит различные объекты на снимке к определенным классам или кластерам. Процедура классификации также состоит из нескольких этапов, первым из которых является выделение пространственных объектов. Затем на этапе распознавания устанавливается тождество между отдельными объектами и соответствующими классами. Для выполнения этого шага необходимы дополнительные знания об изучаемой территории. Наконец, на заключительном этапе, который называется идентификацией, каждый объект на снимке приписывается с некоторой степенью вероятности к одному из определенных классов.

Следующий этап дешифрирования -- подсчет количества объектов на снимке -- во многом зависит от того, насколько точно была проведена их классификация. Третий этап состоит в определении геометрических характеристик объекта: длины, площади, объема и высоты. К этому этапу относится и денситометрия -- измерение яркостных характеристик объекта. Последний этап заключается в определении контуров однородных по своим свойствам объектов или пространственных областей, которые при этом закрашиваются определенным цветом или штриховкой. Эту задачу проще выполнять при наличии у объектов четких границ и гораздо сложнее там, где свойства объектов изменяются плавно, например, на границе водоема и песчаных почв. Для успешного дешифрирования очень важно понимать, от каких параметров зависит представление объекта на снимке.

Дешифровочные признаки - свойства объектов, которые прямо или косвенно находят отображение на снимках и обеспечивают распознавание объектов. Использование дешифровочных признаков составляет основу визуального дешифрирования снимков, которое, наряду с измерениями, представляет собой основной метод извлечения информации со снимков. Дешифровочные признаки делят прямые и косвенные. Свойства объектов, находящие непосредственное отображение на снимках, принято называть прямыми дешифровочными признаками. К ним относятся три группы признаков: ? геометрические (форма, тень, размер); ? яркостные (фототон, уровень яркости, цвет, спектральный образ); ? структурные (текстура, структура, рисунок изображения). Размер объекта зависит от масштаба. Как правило, при дешифрировании анализируются относительные размеры объектов на одном и том же снимке. Например, размер частного дома должен быть меньше размера крупного торгового центра. Форма объекта или его контуров является очень четким критерием дешифрирования. Как правило, объекты, созданные человеком (например, дороги, каналы, здания), имеют четкие границы и правильную форму, а форма природных объектов -- лесных массивов, водоемов и пр. -- является очень нерегулярной. Тон объекта характеризует его относительную яркость или цвет. Это один из наиболее важных качественных критериев дешифрирования. Обычно тон объекта определяется как темный, средний или яркий.

Структура изображения определяется взаимным расположением объектов на снимке. Как правило, отчетливая и хорошо распознаваемая структура возникает в местах периодически повторяемых тонов и текстур. Так, например, разную структуру образуют упорядоченные дома в городе и деревья в саду. Текстура, или частота изменений тона в определенной области снимка, является качественным параметром и обычно характеризуется как резкая или плавная. Например, сухие песчаники обладают плавной текстурой без выраженных вариаций тона. Наоборот, текстура смешанного леса является очень резкой из-за частых пространственных изменений тона, которые связаны с различием в форме и размерах верхушек деревьев разных пород и вариациями плотности лесного покрова.

Тень является одним из наиболее важных критериев дешифрирования, поскольку она дает представление об относительной высоте и профиле объекта. В горных районах тень хорошо подчеркивает топографические особенности рельефа и является полезным критерием при дешифрировании геологических структур. Взаимосвязи -- еще один важный критерий дешифрирования, определяющий закономерности взаимного расположения близлежащих объектов. Например, небольшие участки земли белого цвета, расположенные нерегулярно вдоль реки, свидетельствуют о наличии у нее сухого песчаного берега.

Сетка линий и регулярно расположенные прямоугольные объекты между ними указывают на территорию городского типа. Тип местности является описательной характеристикой территории, в том числе ее топографии, почвенного или растительного покрова и т. д. Прямые дешифровочные признаки позволяют распознать объекты, изобразившиеся на снимке, однако по ним не всегда удается определить их свойства, то есть интерпретировать их, а также картографировать объекты, не изобразившиеся на снимках, изучать процессы и явления. Для этого используются косвенные дешифровочные признаки, методологической основой применения которых служит наличие взаимосвязей и взаимообусловленности всех природных и антропогенных свойств территории. В качестве косвенных признаков обычно выступают прямые дешифровочные признаки других объектов - индикаторов. Среди них выделяют: ? индикаторы объектов, не изобразившихся на снимках; индикаторы свойств объектов; ? индикаторы движения или изменений.

Индикационное дешифрирование, предусматривающее определение одних компонентов ландшафта по другим, физиономичным, легко опознаваемым на снимке, т. е. индикаторам - распространенный прием визуального географического дешифрирования. Используя измерения формы объектов, определение количественных статистических показателей распределения объектов массового распространения, особенности рисунка изображения, выполняют морфометрическое дешифрирование. Количественные характеристики ландшафтных рисунков изучаются для разработки на их основе компьютерных алгоритмов морфометрического ландшафтного дешифрования. Дешифровочные признаки были сформулированы применительно к дешифрированию аэрофотоснимков, но большинство из них сохраняет значение при работе с космическими снимками, в том числе при получившем широкое распространение визуальном дешифрировании цифровых снимков на экране компьютера.

3. Методы дешифрирования

Дешифрирование -- это специальная процедура, позволяющая связать географические структуры на земной поверхности с их изображением на снимке. Согласно Кэмбелу, можно выделить пять различных методов дешифрирования.

Полевые исследования. Часто снимок оказывается слишком сложным для анализа, и специалист по дешифрированию, несмотря на свои знания и опыт, не в состоянии установить взаимосвязь между объектами на земной поверхности и снимком. В этом случае для точной идентификации объектов необходимо провести полевые исследования, которые, в действительности, являются важной составной частью любой задачи дешифрирования. Дешифрирование по прямым признакам. Этот метод дешифрирования сводится к применению знаний, опыта и аналитических способностей специалиста к распознаванию различных структур на снимке и определению их принадлежности к тому или иному классу объектов. По существу, этот процесс заключается в качественном и субъективном анализе снимка на основе различных дешифровочных признаков. Поскольку этот метод дешифрирования зависит от человеческой интуиции, анализ снимка должен проводиться методично и очень тщательно.

Дешифрирование по косвенным признакам. В этом случае дешифрирование снимка выполняется на основе информации о наличии или отсутствии связанных с объектом косвенных признаков. Так, границы почв напрямую связаны с такими факторами почвообразования, как рельеф и растительность. Поэтому дешифрирование последних позволяет восстановить и распределение почвенного покрова. Для того чтобы успешно применять этот метод, необходимы глубокие знания взаимосвязей между используемыми косвенными признаками и самим объектом. Дешифрирование, основанное на вероятностях. Свойства многих объектов и явлений тесно связаны с определенными характеристиками природной среды. В качестве примера можно привести сезонность вызревания зерновых культур. Эту дополнительную информацию очень часто удается сформулировать в виде вероятностного утверждения и использовать его для дешифрирования.

Дешифрирование с помощью измерений. Этот метод дешифрирования является наиболее строгим и точным, поскольку он основан на использовании количественных взаимосвязей между самим снимком и объектами на нем. В отличие от других способов дешифрирования в данном методе большая часть информации извлекается непосредственно из снимка. Примером этого способа может служить фотограмметрический анализ стереопар. Сначала проводится съемка исследуемой области с двух различных точек траектории полета летательного аппарата, после чего измеряется видимое на стереопаре смещение объекта. Поскольку геометрические параметры съемки известны, по этим измерениям можно восстановить топографическую модель рельефа. Таким образом, для получения точных данных о рельефе в данном методе используются только сами снимки и информация о геометрических параметрах съемки. В зависимости от цели исследования можно использовать различные комбинации перечисленных методов. Например, при дешифрировании почв сначала может оказаться необходимым выделить с помощью прямых признаков различные типы растительного покрова, а затем использовать эти результаты в качестве косвенных признаков для определения границ различных видов почв. Выделение зональностей. Еще одним методом дешифрирования сложных структур является выделение на снимке зональностей -- участков однородного тона и текстуры изображения. При использовании этого метода оператор обращает внимание на общую структуру изображения, не стараясь распознать отдельные ландшафтные единицы.

Сначала на снимке выделяют области, однородные по тону, текстуре и другим признакам, затем эти зоны стараются отнести к одному из возможных классов объектов. Очевидно, что на этом шаге необходимо использовать данные полевых исследований и другую вспомогательную информацию. Если результаты дешифрирования оказываются неудовлетворительными, можно попытаться объединить или разделить выделенные области. Выделение зон -- мощный инструмент дешифрирования, который, однако, следует применять с осторожностью. Выделенные зоны могут не точно соответствовать изучаемым классам объектов. Например, тон и структура одной области могут определяться геологическим строением и топографией, а схожие характеристики другой области -- растительным покровом. Реестр результатов дешифрирования -- это способ собрать воедино всю имеющуюся информацию.

Такие реестры выполняют двойную функцию, являясь одновременно:

1. Средством обучения молодых специалистов методам дешифрирования сложных снимков или тематического дешифрирования в новой области.

2. Способом документирования информации и примеров дешифрирования, относящихся к определенной тематической области.

По существу, реестр результатов дешифрирования -- это набор справочных материалов, с помощью которых можно быстро и точно идентифицировать объекты на снимках. Обычно реестр состоит из двух частей: набора снимков или стереопар с примечаниями или графического или словесного описания. Реестры систематизируются так, чтобы в любой момент можно было легко найти нужный снимок, относящийся, например, к определенной дате, территории или объекту. Реестр результатов дешифрирования - это еще и способ систематизации сведений о важнейших характеристиках объекта или явления. В то же время, следует подчеркнуть, что для использования реестров необходимы знания в тематической области. Сведения, содержащиеся в реестре, не могут заменить опыта специалиста, это всего лишь способ систематизации информации, который помогает ускорить процесс обучения дешифрированию. Реестры результатов дешифрирования являются эффективным способом распространения опыта ведущих специалистов. Они помогают развивать практические навыки работы со снимками и позволяют получать четкое представление о самом процессе дешифрирования.

4. Оборудование, используемое для дешифрирования

Оборудование, которое используется для дешифрирования снимков, является относительно простым и, за исключением отдельных компонентов, недорогостоящим. В лаборатории дешифрирования должно быть достаточно места для хранения снимков и работы с ними. Для дешифрирования требуется следующее оборудование. Светостол с прозрачной поверхностью и подсветкой снизу для удобного просмотра пленок. Если используются пленки в рулонах, стол должен быть оснащен специальными держателями и валиками, так чтобы пленку можно было свободно проматывать от одного края стола к другому. Специальные измерительные шкалы, мирры, которые используют при дешифрировании, имеют очень точную градуировку. Точность обычных линеек, которые встречаются в быту, совершенно недостаточна для целей дешифрирования. Стереоскопы -- приборы, предназначенные для стереоскопического просмотра аэрофотоснимков. Наиболее простым из этих устройств является стереоскоп. Благодаря своим малым размерам и небольшой стоимости карманный стереоскоп стал одним из самых популярных приборов, применяемых для визуального дешифрирования.

Увеличители -- устройства, предназначенные для более подробного изучения снимков. Коэффициенты увеличения при анализе изображений выбирают в зависимости от личных предпочтений и исследовательской задачи. Денситометр -- прибор, принцип действия которого основан на изменении яркости светового луча при его прохождении через пленку. С помощью денситометров измеряют плотность снимков -- количественную характеристику тона изображения. Параллаксометр -- устройство, которое используется вместе со стереоскопом. С его помощью можно оценить топографическую высоту объектов, представленных на стереопаре. Параллаксометр снабжен двумя стеклянными пластинами, каждая из которых располагается под одной из линз стереоскопа. На каждой пластине нанесена небольшая черная точка. Одна пластина остается неподвижной, а вторую перемещают параллельно шкале параллаксометра до тех пор, пока две точки не совместятся. Измеренная величина перемещения в этом положении используется для расчета высоты точки рельефа. Увеличивающий трансфероскоп -- прибор, выпускаемый корпорацией «Бауш и Ломб» для визуального совмещения снимков. С его помощью можно точно совмещать карты и снимки разного масштаба. При этом оператор наблюдает оба изображения через бинокулярные линзы и может изменять увеличение и ориентацию одного из снимков. После совмещения снимков оператор может выделить необходимые детали на одном из них и перенести их на промежуточный слой, который затем отпечатывается на другом снимке.

5. Методы автоматизированного дешифрирования цифровых снимков

Основные принципы дешифрирования были сначала разработаны для аэрофотоснимков, а затем адаптированы к задачам дистанционного зондирования с использованием космических снимков. Далее описываются автоматизированные методы анализа цифровых данных, которые стали широко применяться с появлением мощных компьютеров. Обработка цифровых снимков. Основные этапы. Помимо визуальных методов дешифрирования космических снимков, которые обсуждались ранее, для анализа данных дистанционного зондирования применяют также численные методы, реализованные в специальном программном обеспечении. Хотя эти методы и не могут полностью заменить собой традиционные способы дешифрирования, у них есть определенные преимущества, к которым можно отнести повторяемость результатов, определение большего числа оттенков серого цвета, возможность проведения количественного анализа и т. д. Обработка цифровых снимков -- важнейшая составляющая дистанционного зондирования, назначение которой состоит в том, чтобы сделать цифровые снимки пригодными для большинства областей применения, в процессе обработки используют численные методы, основанные только на анализе яркостных и спектральных характеристик, проявляющихся на снимке в виде вариаций тона и цвета пикселей. Результатом обработки является новый снимок, который можно вывести на экран монитора и сохранить в цифровом формате для последующего использования.

Коррекция и восстановление снимков

Коррекция -- это операция, которая применяется к исходным данным для устранения искажений. При сильных искажениях говорят о восстановлении снимков. К коррекции относятся такие операции, как устранение геометрических искажений, связанных с сенсором, внесение поправок на форму земной поверхности, трансформирование снимка к определенной проекции, радиометрическая калибровка и устранение шума. Тип коррекции во многом определяется характеристиками сенсора.

Коррекция исходных данных.

Ниже перечислены различные виды радиометрической и геометрической коррекции, применяемой к исходным данным.

Радиометрическая коррекция

Выделяют следующие причины появления радиометрических искажений:

1. Неоднородность отклика детекторов и их различных элементов.

2. Неисправность элементов детектора.

3. Потеря данных при их передаче, архивировании или извлечении из архива

4. Узкий динамический диапазон.

5. Непостоянство параметров съемки от снимка к снимку. При радиометрической коррекции отклики всех элементов сенсора нормализуются с помощью специальной таблицы соответствия (LUT, Look-UpTable), при построении которой опорным значением служит наименьшая интенсивность сигнала на снимке. Это же значение можно использовать и для обратного преобразования нормализованных данных в исходные абсолютные единицы. Пропуски в строках снимка устраняются путем усреднения значений соседних пикселей в той же строке. При наличии пропусков в двух последовательных строках они заменяются строками, содержащими только одно минимальное значение. Геометрическая коррекция. Ниже перечислены различные виды искажений и их причины. 1. Искажения геометрических параметров сцены съемки, вызванные вращением Земли и ее формой.

2. Искажения, обусловленные геометрией фокальной плоскости сенсора, положением оптической оси относительно ориентации космического аппарата, а также ошибки, связанные с многозональностью и многоэлементностью съемки, различиями в параметрах элементов камеры и отклонением оси съемки.

3. Искажения, связанные с ориентацией снимка относительно направления движения спутника, ошибки, возникающие из-за изменения высоты орбиты, скорости сканирования и направления осей космического аппарата. 4. Искажения, вызванные неправильной оценкой ориентации осей спутника, ошибками калибровки измерения высоты и угла отклонения оси съемки, а также ошибками синхронизации бортовой и наземной шкал времени.

Для геометрической коррекции используют динамическую модель съемки, с помощью которой снимок трансформируется из собственной системы координат в систему координат наземной станции. После радиометрической коррекции координаты всех точек исходного растра преобразуются из исходной системы координат (строка, пиксель) в географическую (широта, долгота). Затем для выбранной пользователем области задается сетка (растр) в пространстве выходных данных и рассчитываются координаты точек этой сетки в исходной системе координат путем интерполяции ранее полученных значений. Заключительный этап состоит в вычислении уровней серого цвета для всех точек выходного растра с помощью повторной дискретизации исходного снимка. Картографическая проекция и ориентация изображения (для снимков с географической привязкой) задаются на этапе выбора выходного растра. В заключение все данные записываются в нужном цифровом формате или распечатываются в кадровом виде.

Улучшение визуального восприятия снимков

Улучшающие преобразования, которые применяют к снимкам, облегчают их дешифрирование и анализ. Как правило, для улучшения снимков используют методы, которые увеличивают видимые различия между объектами. Например, для подчеркивания тоновых различий используют методы увеличения контрастности, а для подавления определенных пространственных структур -- пространственную фильтрацию. Для контроля качества результирующих изображений, которые могут быть как монохромными, так и цветными, их просматривают на экране монитора либо печатают на пленке или бумаге.

Преобразование снимков

В отличие от операций улучшения снимков, для их преобразования используют данные не из одного, а из нескольких спектральных диапазонов. Новые изображения получают путем попиксельного сложения, вычитания, умножения или деления данных из разных диапазонов так, чтобы выделить или подчеркнуть определенные характеристики изображения. Еще одной задачей преобразования снимков является устранение избыточности данных, которая возникает при близком расположении спектральных диапазонов многозональных снимков. Эта задача решается методом главных компонент. Классификация данных

Цель классификации состоит в замене визуального анализа снимка автоматизированной процедурой идентификации объектов, в процессе такой идентификации каждый пиксель цифрового снимка относят на основании некоторых статистических критериев к одному из классов пространственных объектов. Если классифицирующим признаком служит спектральная яркость, процесс классификации называют распознаванием спектральных образов. Если же статистический критерий основывается на геометрической форме, размерах и структуре объектов, говорят о распознавании пространственных образов. Результаты классификации можно использовать для создания тематических карт и статистических отчетов для территорий различного типа. Среди множества методов классификации выделяют два основных: контролируемая классификация и неконтролируемая классификация. Объединение данных и их интеграция в ГИС

Объединение данных космической съемки с другими данными возможно на основании географической привязки к изучаемой территории, в частности, можно объединять данные, полученные в разное время с одного и того же спутника, или данные, полученные разными системами дистанционного зондирования. Для объединения данных ДЗ с данными из других источников используют средства ГИС.

6. Дополнительные средства обработки изображений

Нейрокомпьютеры в обработке изображений. Метод главных компонентов.

Кроме рассмотренных выше методов и алгоритмов предварительной и тематической обработки аэрокосмических изображений, в настоящее время разработаны и продолжают разрабатываться новые методы и алгоритмы. К их числу относятся новые вегетационные индексы, метод главных компонентов, вейвлет - анализ, сингулярный спектральный анализ, фрактальный анализ и др. Мощным инструментом в задачах распознавания изображений становится нейроинформатика. Существуют специально организованные нейрокомпьютеры, но чаще используется эмуляция нейрокомпьютера на обычных ПЭВМ.

Основной структурной единицей нейрокомпьютера является формальный нейрон, суммирующий входные сигналы с определенными весовыми коэффициентами и выдающий результирующий сигнал на входы других нейронов и на выход нейронной сети. Обучение нейрокомпьютера сводится к подбору весовых коэффициентов для получения требуемого результата. Специализированные компьютеры и компьютерные программы могут в принципе дать лучшее решение задач конкретного класса, но нейрокомпьютер способен решать широкий круг задач и практически не хуже. Нейрокомпьютеры особенно эффективны там, где нужно подобие человеческой интуиции - для распознавания образов (распознавание сложных изображений, чтение текстов и т. п.). Именно для таких задач обычно трудно формализовать набор признаков и создать явный алгоритм.

Ядром используемых представлений является идея о том, что нейроны можно моделировать довольно простыми автоматами, а структура нейрокомпьютера, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь - это достаточно простой элемент, служащий для передачи сигнала.

Особенностью нейрокомпьютерного подхода является использование обучения вместо программирования. Труд программиста заменяется трудом учителя (тренера). Программист предписывает ЭВМ все детали работы, учитель - создает «образовательную среду», к которой приспосабливается нейрокомпьютер. Обучение обычно строится на основе задачника - набора примеров с заданными ответами. Эти примеры предъявляются системе. Нейроны получают по входным связям сигналы - условия примера, преобразуют их, несколько раз обмениваются преобразованными сигналами и, наконец, выдают ответ - также набор сигналов. Отклонение от известного правильного ответа штрафуется. Обучение состоит в минимизации штрафа как функции связей.

Для описания алгоритмов и устройств в нейроинформатике выработана специальная «схемотехника», в которой элементарные устройства - сумматоры, синапсы, нейроны и т. п. - объединяются в сети, предназначенные для решения задач. Схемотехника представляет собой особый язык для описания нейронных сетей. При программной и аппаратной реализации описания переводятся на языки другого уровня.

Самый важный элемент нейросистем - это адаптивный сумматор, который вычисляет скалярное произведение вектора входного сигнала x и вектора настраиваемых параметров б.

Рис. 1 Формальный нейрон

Стандартный формальный нейрон (Рис. 1) состоит из входного сумматора, нелинейного преобразователя и точки ветвления на выходе. Нелинейный преобразователь сигнала получает скалярный входной сигнал x и переводит его в ?(x). Точка ветвления служит для рассылки сигнала по нескольким адресам: она получает скалярный входной сигнал x и передает его всем своим выходам.

Существуют две базовые архитектуры - слоистые и полносвязные сети. В первых нейроны расположены в несколько слоев (Рис. 2). Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам второго слоя. Далее срабатывает второй слой и т. д. до k-го слоя, который выдает выходные сигналы для интерпретатора и пользователя. Число нейронов в каждом слое может быть любым и никак заранее не связано с количеством нейронов в других слоях. Часто применяются трехслойные сети, в которых каждый слой имеет свое наименование: первый - входной, второй - скрытый, третий - выходной.

Рис. 2. Схема слоистой нейронной сети

В полносвязных сетях каждый нейрон передает свой выходной сигнал остальным нейронам, включая самого себя. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети. Все входные сигналы подаются всем нейронам. Для полносвязной сети входной сумматор нейрона фактически распадается на два: первый вычисляет линейную функцию от входных сигналов, второй - линейную функцию от выходных сигналов нейронов, полученных на предыдущем шаге.

Функция активации нейронов (характеристическая функция) ? - нелинейное преобразование выходного сигнала сумматора, ? может быть одним и тем же для всех нейронов, в этом случае сеть называют однородной (гомогенной). Если же ? зависит еще от одного или нескольких параметров, значения которых меняются от нейрона к нейрону, то сеть называют неоднородной (гетерогенной).

Слоистая и полносвязная архитектуры не налагают существенных ограничений на участвующие в них элементы. Единственное важное требование, предъявляемое архитектурой к элементам сети, - это соответствие размерности вектора входных сигналов элемента (она определяется архитектурой) числу его входов. Если полносвязная сеть функционирует заданное число тактов k до получения ответа, то ее можно представить, как частный случай k-слойной сети, все слои которой одинаковы и каждый из них соответствует такту функционирования полносвязной сети. Существенное различие между полносвязной и слоистой сетями возникает тогда, когда число тактов функционирования заранее не ограничено - слоистая сеть так работать не может.

Важным моментом в организации нейронной сети является обучение.

Обучение можно рассматривать как оптимизацию и строить соответствующие алгоритмы, программное обеспечение и, наконец, устройства. Требуется решить задачу минимизации некоторой функции - оценки, зависящей от части сигналов (входных, выходных) и от параметров сети. В настоящее время разработаны эффективные методы минимизации оценки, позволяющие за приемлемое время осуществлять обучение нейрокомпьютера. Решающий вклад в создание быстрых методов обучения внесла красноярская школа нейроинформатики А.Н. Горбаня.

Для станции приема и обработки спутниковой природоведческой информации УниСканТМ-36 разработана нейросетевая программа распознавания изображений ScanEx NeRIS®.

Другим эффективным методом обработки изображений является метод главных компонентов. Сканерная информация поступает на пункт приема в виде совокупности полутоновых изображений. Число таких изображений может быть достаточно большим (10 каналов сканера MVISR спутника FengYun-1D, 36 каналов сканеров MODIS спутников TERRA и AQUA). Для распознавания изображений с современных сканеров требуется сформировать пространство признаков достаточно большой размерности m, возможно, потребуется иметь эталоны, представленные во всех 36 спектральных каналах сканера MODIS.

Совокупность признаков, используемых при распознавании образов, должна в наибольшей степени отражать те свойства объектов, которые важны для распознавания. От размерности m признакового пространства в значительной степени зависит вычислительная сложность процедур обучения и принятия решения, достоверность распознавания и затраты времени. Сокращение числа признаков иногда способно увеличить расстояние между признаками и упростить процедуру распознавания.

Первоначальный набор признаков формируется до начала распознавания из числа доступных измерению характеристик объекта g₁, g₂, …, g_m, отражающих существенные для распознавания свойства. На следующем этапе из первоначального можно сформировать новый набор h₁, h₂,..., h_n, состоящий из меньшего числа признаков, n < m. Уменьшение количества признаков снижает затраты, но может привести к падению достоверности распознавания. Таким образом, требования минимума общей размерности задачи и максимума достоверности распознавания оказываются противоречивыми, необходим разумный выбор размерности признакового пространства или выполнение правильного, без заметного уменьшения информативности, преобразования совокупности данных, с целью уменьшения числа признаков.

В качестве критерия правильности выбора новых признаков используют среднеквадратическую ошибку аппроксимации признаков {g₁, g₂,…,g_m} с помощью {h₁, h₂,..., h_n}, среднее межклассовое расстояние, внутриклассовый разброс наблюдений, энтропию одного класса относительно другого и т.д.

При отображении на мониторе ЭВМ результатов многоспектральных дистанционных исследований возникает еще одна проблема: нам доступны три цвета (RGB), которые можно присвоить как условные трем спектральным каналам, в то время как число каналов превышает эту цифру. Важно так преобразовать информацию, чтобы появилась возможность адекватно и без больших потерь представить её на экране монитора.

Для преобразования пространства признаков G = (g₁, g₂, …,g_m) в новое пространство H = (h₁, h₂,..., h_n) наибольшее распространение получили линейные методы с использованием некоторого оператора А:

H = AG.

Преобразование может осуществлять переход от одной координатной системы, в которой признаки gi, например, компоненты векторов яркости пикселов f_ij, коррелированы, к другой, где они не коррелированы. В этом случае процедура носит название преобразования Карунена-Лоэва.

Пусть имеется m изображений одного и того же участка Земли в m спектральных каналах. Вычисляются коэффициенты корреляции R_ik между всеми изображениями, причем R_ii = ѓР_i². Дисперсия яркости у_i² характеризуют контраст i-го изображения. Формируется корреляционная матрица R:

Собственные числа корреляционной матрицы находятся из решения матричного уравнения [R - лI] = 0, I - единичная матрица. Формируется диагональная матрица „@ упорядоченных по убыванию собственных чисел матрицы R имеет вид

В качестве матрицы А используется матрица собственных векторов Р корреляционной матрицы R. Решается матричное уравнение [R - лI]P = 0.

Матрица А удовлетворяет условию А-1 ? АT, что означает сохранение среднего контраста совокупности изображений. В результате преобразования (2.2) происходит поворот координат в m-мерном пространстве, такой, что новые изображения становятся некоррелированными. После этого отбираются n (n < m) новых изображений, соответствующих наибольшим собственным числам л_i.

Эти изображения - главные компоненты имеют наибольший контраст, в них сосредоточена практически вся информация, ранее находившаяся в исходных изображениях. Трем главным компонентам можно присвоить три основных цвета (RGB) и визуализировать преобразованное изображение в условных цветах на мониторе.

Рассмотрим пример. Пусть наблюдение Земли со спутника производится в двух спектральных каналах, т.е. вектор яркости fij содержит два компонента f_1ij и f_2ij, корреляционная матрица яркостей пикселов имеет вид

где у₁² = 2,6 - дисперсия яркости пикселов в первом канале; у₂² = 1,3 - дисперсия яркости во втором, R₁₂ = R₂₁ = 1,2 - коэффициент корреляции между значениями яркости в этих каналах. Перейдем к новым координатам d_1ij и d_2ji путем поворота на угол ц исходной декартовой системы координат f_1ij и f_2ij:

d_1ij = f_1ij cos ц - f_2ij sin ц,

d_2ji = f_1ij sin ц + f_2ij cos ц.

Потребуем, чтобы в новых координатах компоненты вектора яркости стали некоррелироваными. Вычислим коэффициент корреляции компонент d_1ij и d_ij2. Средние значения

<d_1ij> = <f_ij1>cos ц - <f_2ij> sin ц, <d_2ji> = <f_1ij>sin ц + <f_2i > cos ц.

Введем центрированные значения яркости:

s_1ij = f_1ij - <f₁>, s_2ij = f_2ij - <f₂>, р_1ij = d_1ij - <d₁>, р_2ij = d_2ji - <d₂>.

Коэффициент корреляции R_12d компонент р_1ij и р_2ij равен:

R_12d = <р_1ij р_2ij> = (<s_1ij²> - <s_2ij²>) sin ц cos ц + <s_1ij s_2ij> (cos 2ц - sin 2ц ) = = Ѕ[<( f_1ij - <f₁>)²> - <(f_2ij - <f₂>)²>] sin 2ц + <( f_1ij - <f₁>)(f_2ij - <f₂>)> cos 2ц == Ѕ[у₁² - у₂²] sin 2ц + R₁₂ cos 2ц.

Коэффициент корреляции R_12d = 0, если tg 2ц = 2R₁₂ /(у₂²- у₁²). В частном случае, когда (у₂² - у₁²) = 0, то и <р_1ijр_2ij> = 0 для любого ц. При этом R₁₂ =0. В нашем случае коэффициент корреляции R_12d = 0, если tg 2ц = 1,7143, ц = 29є52?, sin ц = 0,498, cos ц = 0,867. Матрица преобразования А принимает вид

Используем матричный подход. Собственные числа матрицы R можно найти из решения матричного уравнения. Преобразование с использованием матрицы А не должно изменять средний контраст, поэтому потребуем, чтобы транспонированная матрица А^Т ? А-¹, откуда а₁² + а₂² = 1, а₁ = 0,867, а₂ = -0,498. Система, содержащая л₂, имеет решение а₁ = 0,498, а₂ = 0,867, это те же значения, что и выше.

Выражение (2.2) принимает вид

s₁, s₂ - новые значения яркости пикселов в каналах; f₁, f₂ - старые значения. Дисперсия s₁ равна л₁ = 3,31, дисперсия s₂ равна л₂ = 0,58; на s₁ приходится 84,9 % суммарной дисперсии - это главный компонент.

В результате преобразования исходного многоспектрального изображения с помощью процедуры Карунена - Лоэва возникает новое многоспектральное изображение, но в данном случае уже нельзя говорить о том, к какому спектральному каналу относятся компоненты этого изображения. Отметим, что новые компоненты некоррелированы, т.е., по существу, не повторяют друг друга. При обработке семи каналов сканерной информации LANDSAT наибольшей дисперсией обладают первый - третий компоненты; пятый ? седьмой компоненты обычно уже похожи на случайные поля с практически некоррелированными значениями яркости, т. е. на шум. Так как максимальная дисперсия приходится на первый компонент, то при визуализации преобразованного изображения путем присвоения первому, второму и третьему компонентам условных RGB-цветов обычно оказывается необходимым предварительно увеличить контраст второго и особенно третьего компонента.

7. Этапы обработки цифровых снимков

Основные этапы обработки цифровых снимков представлены на Рис.3. Для получения практических умений и навыков по данному разделу предусмотрено проведение двух практических занятий: 1. «Производство плановой и перспективной съёмки участков местности с помощью летательного аппарата». Целью работы является получение практических навыков применения летательных аппаратов для производства аэрофотосъёмочных работ. 2. «Геометрический анализ аэрофотоснимков. Определение масштаба снимка и высоты фотографирования». Целью работы является первичная обработка и контроль качества ДЗ, оценка характеристик и качества данных дистанционного зондирования.

Рис.3 Основные этапы обработки цифровых снимков

снимок дешифрирование идентификация компьютерный

Библиографический список

1. Обиралов, А.И. Фотограмметрия: учебник для ссузов по специальности "Землеустройство" / под ред. А. И. Обиралова. - М.: КолосС, 2002. - 240 с. - (Учебники и учебные пособия для студентов ссузов. Гр. МСХ РФ).

2. Обиралов, А.И. Фотограмметрия: учебник для ссузов по специальности "Землеустройство" / под ред. А. И. Обиралова. - М.: КолосС, 2002. - 240 с. - (Учебники и учебные пособия для студентов ссузов. Гр. МСХ РФ).

3. Черных, В.Л. Геоинформационные системы в лесном хозяйстве: учеб. пособие / Марийский гос. техн. ун-т - Йошкар - Ола: МарГТУ, 2007.- 200с.

4.ЭБС «Университетская библиотека ONLINE»: Геоинформационные системы и дистанционное зондирование в экологических исследованиях. Учебное пособие для вузов / Т. А. Трифонова, Н. В. Мищенко, А. Н. Краснощеков. - М.: Академический проект, 2005. - 353 с.

5. Козлова И.В. Дешифрирование аэрофотоснимков при картографировании ландшафтов: Учебно-методическое пособие. /И.В. Козлова. - Томск: Изд-во ТПУ, 2006. 38 с.

6. Использование данных дистанционного зондирования для мониторинга экосистем ООПТ. Методическое пособие / Лабутина И.А., Балдина Е.А.;

Всемирный фонд дикой природы (WWF России). Проект ПРООН/ГЭФ/МКИ

«Сохранение биоразнообразия в российской части Алтае-Саянского экорегиона» - М., 2011. - 88 с.

7. Визильтер, Ю. В. Обработка и анализ цифровых изображений с примерами из LabVIEW IMAQ Vision / Ю. В. Визильтер, С. Ю. Желтов и др. М.: ДМК Пресс, 2007. ? 464 с.

8. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. ? М.: Техносфера, 2006. ? 1072 с.

9. Глобальная спутниковая навигационная система ГЛОНАСС. М., МГУГиК, 1998. 26 с.

10. Методы компьютерной обработки изображений. Под ред. В.А. Сойфера М.: Физматлит. 2001.

11. Воздушный кодекс Российской Федерации (от 19 марта 1997 года N 60-ФЗ с изменениями и дополнениями).

12. Инструкция по авиационной охране лесов, утверждена приказом Федеральной службы лесного хозяйства России 22 сентября 1997 г. № 122;

13. Лесной кодекс Российской Федерации, утвержден Федеральным законом от 4 декабря 2006 г. № 200-ФЗ (с изменениями и дополнениями).

14. Правила организации и осуществления авиационных работ по охране и защите лесов, утвержденные Постановлением Правительства Российской Федерации от 19 июня 2007 г. N 385.

15. Приказ Минсельхоза России от 16 декабря 2008 года № 532 "Об утверждении классификации природной пожарной опасности лесов и классификации пожарной опасности в лесах по условиям погоды, а также требований к мерам пожарной опасности в лесах в зависимости от целевого назначения лесов, показателей природной пожарной опасности лесов и показателей пожарной опасности в лесах по условиям погоды".

16. Коршунов, Н.А. Борьба с лесными пожарами: проблема информационного обеспечения авиасредствами и ее решение / Н.А. Коршунов, Р.В. Котельников // Пожарная безопасность. - 2008. - №1. - С.125-129.

17. Коршунов, Н.А. Роботы над лесом / Н.А. Коршунов, Р.В. Котельников // Лесная Россия. - 2006. - №2. - С. 34-38.

Размещено на Allbest.ru