Диссертация (1137226), страница 11

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 11)

Полученная в итоге реализация протестирована на реальных данных — век­торном представлении детектированных природных пожаров. Данная реализа­ция пригодна для решения практических задач и используется в этом качестве.В процессе работы выяснились следующие недостатки. Имеющаяся реализацияалгоритма Ватти обладает алгоритмической сложностью√ ,где— суммачисла точек операндов. Алгоритм Ватти может быть доработан для оптимиза­ции поиска пересечений рёбер таким образом, что его сложность станет. log 67Глава 3Статистические и численные методытематической обработки данных дистанционногозондирования ЗемлиТематическая обработка данных дистанционного зондирования — это про­цесс составления тематических карт на основе дешифрирования или распозна­вания объектов и явлений на космических снимках [33, 73]. К тематическойобработке относят широкий спектр методов, позволяющих выделять на изобра­жении интересующие объекты, регионы.Большая часть методов, применяемых к данным дистанционного зондиро­вания, принадлежат к классу методов обработки изображений (машинное зре­ние, сегментация изображений), с некоторыми особенностями, обусловленнымихарактеристиками данных, отличных от типичных цифровых изображений.

Врамках данного обзора представлены методы, учитывающие особенности косми­ческих изображений земной поверхности, так как именно такие изображенияпредставляют используемые в работе данные. За рамками обзора оставленыспецифические методы, применяемые для анализа и тематической обработкиданных об атмосфере, ионосфере, океане.3.1. Обзор существующих вычислительных методовобработки изображенийОсновными характеристиками поверхности Земли, исследуемыми метода­ми дистанционного зондирования, являются:∙отражающая способность в различных спектральных диапазонах,∙интенсивность собственного теплового излучения (температура),68∙высота рельефа.Отражающую способность можно получить путем калибровки и предва­рительной обработки данных различной аппаратуры ДЗЗ; интенсивность соб­ственного теплового излучения фиксируется в длинноволновом инфракрасномспектре; высота рельефа измеряется радиолокационными приборами, лидарамии с восстановлением на основании стереофотосъемки [52].Основной целью тематической обработки изображений является сегмента­ция — разделение на несколько сегментов по тематическим признакам.

Фор­мально, при сегментации каждому пикселю изображений ставится в соответ­ствие определенная характеристика, такая, что пиксели с одинаковой характе­ристикой схожи по тематическим признакам (относятся к определенному типуповерхности, представляют один объект), а пиксели с разной — различны.3.1.1. Визуальное дешифрованиеИсторически первым способом тематической обработки аэрокосмическихизображений было дешифрование их человеком-оператором. Распространенностьручного дешифрования обуславливается сложностью формализации задачи рас­познавания образов, из-за чего она может быть относительно легко решена обу­ченным человеком, однако сложна для математического описания и зачастуюне имеет строгого решения. Однако в настоящее время огромные объемы ин­формации требуют иных подходов к ее обработке, а вычислительные системыдают возможность не только ускорить работу по сравнению с человеком, но ив некоторых случаях увеличить точность.Часть методов тематической обработки изображений — пороговая обра­ботка, индексы, наряду с предварительно обработкой, позволяет облегчить рас­познавание определенной группы образов и зачастую используется именно втаком качестве.

Другие методы, как правило, относящиеся к интеллектуаль­ному анализу данных, позволяют заменить человека в задаче дешифрования69изображений.3.1.2. Пороговая обработкаПороговая обработка — один из простейших вариантов для одноканально­го изображения. Результатом пороговой обработки является бинарное изобра­жение, то есть каждый пиксель принимает только одно из двух значений (0или 1).

Пороговая обработка присваивает значение 0 точкам исходного изобра­жения с яркостью, меньше определенного значения (порога) и 1 — точкам сяркостью выше порога: ′ (, ) =где⎧⎨ 1,(, ) > ⎩ 0,(, ) ≤ .(3.1)(, ) — интенсивность исходного изображения в точке (, ), ′ (, ) —интенсивность модифицированного в той же точке,— порог. Существует мно­жество методов пороговой обработки, отличающихся методом выбора порога пу­тем анализа исходного изображения — гистограммы, энтропии, кластеризации[139].В частности, при анализе гистограммы возможно установление порога при­меняются методы выпуклой оболочки гистограммы, где порог выбирается средилокальных максимумов разности гистограммы и ее выпуклой оболочки, различ­ные варианты анализа локальных минимумов и максимумов гистограммы [44],центр масс гистограммы, и другие возможности.Энтропийные методы основаны на информационном определении энтро­пиидля дискретной случайной величиныс вероятностями,принимающей значения1 ...(1 )...( ):() = −∑︁( )2 (( ))(3.2)=1и минимизируют потери информации при пороговой обработке по сравнению с70исходным изображением.Они учитывают энтропию всего изображения до и после обработки, илиже внутриклассовую энтропию — для множеств исходного изображения, отне­сенных к "фону"и "объектам".

В качестве оптимального порога может бытьпринят максимизирующий сумму внутриклассовых энтропий [113]⎧⎫{︃ }︃⎨∑︁ ()∑︁() ⎬− − → ,⎩⎭()1−()=0(3.3)= +1и другие варианты [139].Кластеризационные алгоритмы пороговой обработки, по сути, представ­ляют собой модификации различных методов кластеризации, с количествомклассов, строго равных двум, в общем случае эти методы рассмотрены ниже.3.1.3. Тематические индексыДля мультиспектральных изображений подобрано множество индексов —алгебраических комбинаций значений яркости в различных каналах, позволя­ющих перейти от многих спектральных каналов, то есть многомерного векторав каждом пикселе, к одному значению — индексу, наилучшим образом выра­жающему определенную характеристику точки.

Например, один из наиболееиспользуемых в ДЗЗ индексов — нормализованный разностный индекс веге­тации NDVI — связан с плотностью растительной биомассы. Он может бытьвычислен для любого изображения, содержащего каналы в красном ( ) иближнем инфракрасном ( ) диапазонах, по формуле = − + (3.4)Индекс вычисляется для каждой точки, что дает на выходе новое изоб­ражение с одним каналом, с которым проще оперировать, в частности можнопроизвести пороговую обработку. Метод, состоящий в расчете индекса и при­71менении пороговой обработки, широко используется в обработке космическихизображений [87, 111].Рассмотрим некоторые индексы, применяемые при анализе данных дистан­ционного зондирования.Широко распространены вегетационные индексы, выражающие степеньпокрытия поверхности растительностью. Теоретической основой вегетационныхиндексов является характеристика спектра отражения и поглощения зеленыхлистьев растений: максимум поглощения солнечного света хлорофиллом при­ходится на видимый красный свет с длиной волны0, 62 − 0, 75мкм, а мак­симум отражения клеточной структурой листа — на ближний инфракрасный(0, 75−1, 3 мкм) [71].

Однако на практике конкретные параметры индексов под­бираются эмпирическим путем, исходя из поставленной задачи, характеристикаппаратуры и особенностей изучаемых территорий. Всего для разных условийбыло создано более 150 индексов вегетации.Простейшие индексы на основе инфракрасного и красного каналов — SimpleRatio Index и Difference Index = = − (3.5)(3.6)NDVI, уже рассмотренный выше — один из наиболее часто используемыхиндексов. Его популярность обуславливается высокой корреляцией с плотно­стью зеленой фитомассы [85], а также тем, что спектральные каналы, необ­ходимые для его вычисления, присутствуют на космических изображениях сбольшого количества различной аппаратуры.

Он используется для определе­ния типа природного сообщества, для прогнозирования урожайности [62], поего изменению обнаруживают вырубки, природные пожары [119].Улучшенный вегетационный индекс EVI требует также значение яркости72Рисунок 3.1 – Индексное изображение, NDVIв синем диапазоне (0,45-0,51 мкм): = − + 6 · − 7, 5 · + 1(3.7)TSAVI (Transformed Soil Adusted Vegetation Index) создан для учета отра­жающей способности почвы. Была произведена серия измерений спектра поч­вы, и получены коэффициенты наклона =и сдвигалиний почвы.( − · − ) + · − · (3.8)Существует также узко-канальная группа индексов, которая работает натом же принципе, но требует значений яркости в более узких спектральных диа­пазонах, достигая за счет этого большей чувствительности при отслеживанииизменений [88]. 705 = 705 =750 − 705750 + 705(3.9)750 − 705750 + 705 − 2 · 445(3.10)Также в более узком диапазоне задач мониторинга количества и состояниябиомассы применяются различные индексы — содержания азотажания углерода , ,индексы влажности , содер­ , ,и другие.Индексы применяются и в других задачах, связанных с обнаружением тер­риторий с однотипными характеристиками.

Характеристики

Список файлов диссертации