А.В.Марков, О.В.Григорьева, А.Г.Саидов, Д.В.Жуков
На данный момент по окончании начала активной эксплуатации русских оптико-электронных космических аппаратов (КА) дистанционного зондирования Почвы (ДЗЗ) серий «Канопус-В» и «Ресурс-П» значительно возросли возможности своевременного обеспечения отечественных потребителей материалами мультиспектральной (МС) и гиперспектральной (ГС) съемки. Серьёзной изюминкой этих данных есть возможность применения при тематической обработке в качестве информационных показателей не только топологических, но и спектрально-энергетических черт (СЭХ) объектов интереса.
Новая совокупность информационных показателей, и количества приобретаемых для анализа МС и особенно ГС данных обусловливают приоритетность автоматизации процесса их дешифрирования. В большинстве организаций, применяющих в собственной деятельности материалы космической съемки, для этих целей в основном используются зарубежные стандартные программные средства обработки геопространственной информации, такие как ENVI, Erdas и др.
Но, не обращая внимания на наличие разнообразных сегментации изображений и методов классификации, автоматизация процесса тематической обработки в этих программных продуктах, в большинстве случаев, связана с необходимостью изучения специальных языков реализации и программирования собственных методов. Наряду с этим оператору нужно иметь профзнания в области дешифрирования и распознавания образов, и пройти этап адаптации ПО с учетом личных изюминок материалов съемки, зарегистрированных конкретной космической съемочной аппаратурой. Отмечено, что как правило имеющиеся тематические модули (к примеру, в ENVI) требуют привлечения дополнительной информации для окончательной интерпретации данных.
Указанные события определяют актуальность создания специальных программ тематической обработки МС и ГС снимков, адаптированных к данным от отечественных космических совокупностей ДЗЗ.
Научные изучения, которые связаны с разработкой способов и реализующих их программ автоматизированного дешифрирования разноспектральных изображений, деятельно ведутся в целом последовательности отечественных вузов и организаций (Столичный физтех университет, Рязанский национальный радиотехнический университет и др.). В Военно-космической академии (ВКА) имени А.Ф.Можайского работы по данному направлению базируются на обширном опыте проектирования программных средств обработки авиационных ГС изображений, приобретаемых разной видеоспектральной аэросъемочной аппаратурой из состава отвлечённой лабораторно-экспериментальной базы [1]. Наряду с этим в качестве информационной базы для обоснования способов автоматизированного дешифрирования МС и ГС данных употребляется имеющаяся в академии самая полная у нас база данных (БД) эталонных СЭХ разных объектов и фонов.
Первая версия созданного в ВКА имени А.Ф.Можайского программного комплекса (ПК), предназначенного для тематической обработки МС и ГС космических снимков, была ориентирована на исполнение региональных проектов [2] и применение материалов съемки зарубежных космических совокупностей RapidEye, SPOT-5, Landsat ETM, WorldView-2, EO-1 Hyperion. Эта программа разрешала решать следующие задачи:
- оценивание территории порта и экологического состояния акватории с идентификацией участков, подверженных типовым загрязнениям и антропогенному воздействию [3];
- диагностика лесного покрова с обнаружением аномальных территорий состояния (обводнения, гари и горельники, сухостой и другие лесопатологические трансформации) и регистрацией вырубок с определением степени лесовозобновления;
- классификация лесных массивов по лесорастительным условиям и породному составу;
- оценка состояния почвенного покрова в следствии загрязнения отходами и нефтепродуктами потребления и производства.
Начиная с 2014 г., ПК был без шуток доработан и усовершенствован. Методы тематической обработки были приспособлены для работы с МС и ГС данными от КА «Ресурс-П» и «Канопус-В» (в т.ч. с учетом результатов изучения показателей качества настоящих снимков). Модернизация комплекса обеспечила расширение алгоритмической базы в части реализации следующих тематических задач:
- проведения оценки глубин прибрежных акваторий;
- анализа разновременных МС и ГС данных для обнаружения трансформаций на разбираемой территории;
- построения оптимальных маршрутов передвижения по труднопроходимой местности на базе результатов оценки рельефа и ландшафтного дешифрирования;
- обнаружения спектральных аномалий и др.
Для корректной работы программы необходимым требованием есть правильная спектральная и энергетическая калибровка, и качественная атмосферная коррекция МС и ГС данных. Для учета влияния воздуха в ПК в качестве дополнительного модуля интегрирован пакет MODTRAN.
Созданный ПК складывается из следующих частей (рис. 1):
- базы данных эталонных сигнатурных черт элементов подстилающей поверхности в диапазоне 0,4?2,5 мкм,
- модуля работы с векторными данными в виде ГИС-приложения,
- модуля автоматизированной обработки МС и ГС данных.
Рис. 1. Структурная схема комплекса программных средств тематической обработки материалов космической ГС и МС съемки
Модуль автоматизированной обработки снабжает ответ практических задач дешифрирования, направленных на обнаружение объектов местности и определение их состояния. Наряду с этим для идентификации и классификации объектов ландшафта употребляется информация о СЭХ, содержащаяся в БД эталонных сигнатур. Конечным этапом ответа тематической задачи есть векторизация результатов обработки материалов съемки и отображение их в виде тематических слоев цифровой карты средствами блока работы с векторными данными.
БД эталонных сигнатурных черт, реализованная в ПК, содержит на данный момент около 1500 спектров яркости для разных антропогенных и природных объектов ландшафта в диапазоне 0,4–2,5 мкм. Для каждого объекта в БД предусмотрено хранение следующей информации: физико-географическая территория, время и дата наблюдения, фенологический период (для растительных покровов), съемочная аппаратура, проективное покрытие, тип подстилающей поверхности, место измерения, высота Солнца, азимутальный и надирный углы измерения, высота измерения, площадь реферируемой поверхности, форма и количество облачности при измерениях, модель индикатрисы.
В БД представлены сведения о коэффициентах спектральной яркости для 12 классов ландшафта, таких как открытые земли, леса, кустарники, водно-болотные сообщества и т.д. [4]. Информация, содержащаяся в БД, всегда пополняется по итогам наземных и авиационных опытов, каковые планово проводятся ВКА имени А.Ф.Можайского в различных регионах России (в 2014 г. занесены новые эти по СЭХ природных объектов, характерных для Республики Алтай, Крыма и Амурской области).
направляться подчернуть, что корректное применение имеющейся в БД спектрометрической информации в качестве эталонной вероятно лишь при учете различий в режимах особенностей и наблюдения характеристик применяемых устройств. Влияние этих факторов нивелируется посредством способов коррекции эталонной информации. Коррекция содержится в адаптации спектральных сигнатур под границы спектральных каналов, спектральное и пространственное разрешение данных.
В последнем случае адаптация направлена на решение проблемы образования смесовых пикселей при трансформации пространственного разрешения [5].
Модуль автоматизированной обработки рекомендован для яркого дешифрирования МС и ГС данных [6]. Схема работы с модулем на начальной стадии сводится к выделению оператором на изображении области интереса, в пределах которой будет производиться обработка (в некоторых задачах эта область строится машинально).
Потом осуществляется сужение территории интереса с применением универсального метода, что содержится в последовательном применении способов параметрической классификации с построением обучающей выборки по итогам сегментации либо неуправляемой кластеризации. Наряду с этим в пределах кластера возможно предусмотрено назначение нескольких обучающих выборок, относящихся к различным типам ландшафта.
На последней стадии в пределах итоговой области интереса идентифицируется любой класс, полигон класса либо пиксель в зависимости от решаемой задачи. По завершении процесса производится автоматическая векторизация результата (рис. 2).
Рис. 2. Пример обработки ГС данных КА «Ресурс-П» в модуле автоматизированной обработки
На всех этапах обработки — при построении обучающей выборки, определении принадлежности выделенных кластеров к типу ландшафта, и при идентификации и определении состояния объекта – привлекается информация из БД сигнатурных черт. К спектральным показателям относятся широкоспектральные и узкоспектральные индексы, показатели формы спектральной сигнатуры, характеризующие биофизические изюминки замечаемых объектов в виде полос поглощения, яркостной контраст между фоном и объектом и др. Оценка принадлежности исследуемого фрагмента изображения к определенному типу объекта на местности осуществляется в соответствии с параметрами сходимости, выраженными в виде особых метрик [6].
направляться подчернуть, что для каждой задачи выбраны набор и оптимальные методы классификации информативных показателей с учетом спектральных и пространственных особенностей объекта изучения. кластеризации изображений и Методы классификации, такие как Isodata, большого правдоподобия, способ спектральной угловой корреляции, субпиксельный анализ, способ нечетких множеств и другие используются в ПК с оптимально подобранными входными параметрами, обусловленными чертями обрабатываемых данных и изюминками идентифицируемых объектов. К примеру, в методах картирования глубин прибрежных загрязнений и акваторий водной поверхности наравне с способами кластеризации изображений употребляется малопараметрическая модель процесса переноса излучения в воде с учетом его ослабления растворенными и взвешенными минеральными и органическими примесями, а для восстановления глубин используется способ многомерной оптимизации в нескольких информативных узких спектральных территориях, зарегистрированных МС либо ГС сенсорами [7, 8].
Конвертация результатов автоматизированной обработки в векторные эти осуществляется в соответствующем модуле ПК, что создан с применением открытых библиотек QGis и снабжает редактирование и создание тематических слоев цифровой карты местности.
Рис. 3. Представление результатов обработки в блоке работы с векторными данными на примере анализа акватории порта по данным ГС камеры КА «Ресурс-П»
Обобщая приведенные материалы, необходимо отметить следующие преимущества рассмотренного программного комплекса в сравнении с зарубежными аналогами:
1) Методы, реализованные в ПК, приспособлены для работы с данными отечественных КА ДЗЗ, а качестве эталонных СЭХ употребляется информация, полученная в следствии изучений, совершённых в России, с характерными для нее природно-климатическими территориями, минеральными образованиями и растительными сообществами.
2) Тематическая обработка изображения строится через намерено организованный проект, в котором имеется возможность автоматического сохранения всех обучающих выборок, результатов классификации, параметров сегментации и других входных и выходных данных.
3) При разработке ПК употребляются открытые библиотеки для работы с растровыми и векторными данными, что существенно снижает цена программного продукта.
4) ПК ориентирован на пользователей, не имеющих специальных знаний в теории дешифрирования МС и ГС космических данных. Для решения тематической задачи оператору нужно ввести предельное число входных параметров, интуитивно понятных ему. К примеру, для определения состояния растительного покрова входными параметрами являются природно-фенологический период и климатическая зона, а в задаче обнаружения типовых загрязнений акваторий портов — участок с условно чистой водной поверхностью.
Очень направляться подчернуть, что представленный ПК имеет громадные возможности по наращиванию собственных функциональных возможностей. Разработчиками планомерно проводится его модернизация: расширяется круг решаемых тематических задач, пополняется база данных, создаются новые способы обработки, увеличивающие возможность идентификации объектов.
ПЕРЕЧЕНЬ ЛИТЕРАТУРЫ
- Марков А. В., Шилин Б. В. Неприятности развития видеоспектральной аэросъемки. Оптический издание. Т.76, №2, 2009. С.20–27
- Марков А.В., Григорьева О.В., Бровкина О.В., Мочалов В.Ф., Жуков Д.В. Автоматизированные способы оценки состояния внешней среды согласно данным мульти- и гиперспектральной космической съёмки. Геоматика. №4. 2012. С.102-106
- Марков А.В., Саидов А.Г., Мочалов В.Ф., Григорьева О.В., Жуков Д.В. Оценка экологического состояния акватории морпорта Петербурга посредством программного комплекса тематической обработки материалов космической съёмки // Геоматика № 3 2013 г. – С. 17-21
- Григорьева О.В., Чапурский Л.И. информационного наполнения и Проблемы создания базы данных по коэффициентам спектральной яркости объектов наземных экосистем // Современные неприятности дистанционного зондирования Почвы из космоса. Сборник научных статей. Том 9. Номер 3. – М.: ООО «ДоМира», 2012. – С.18-25
- Марков А.В. , Григорьева О.В. , Чапурский Л.И., Мочалов В.Ф. Способы подготовки эталонной информации для обработки материалов большое количество- и гиперспектральной космической съемки в задаче мониторинга природной среды // Сборник трудов III Общероссийской научной конференции «Неприятности военно-прикладной геофизики и контроля состояния природной среды». Том 2. СПб, 2014 – С. 283-286
- Марков А.В., Григорьева О.В., Жуков Д.В., Бровкина О.В. Разработка методов действенной тематической обработки данных гиперспектральных совокупностей для идентификации объектов ландшафта // Контенант. Научно-технический издание Том 12 № 2, 2013. С. 90-99
- Жуков Д.В. Методика тематической обработки гиперспектральных данных в задаче оценки экологического состояния акваторий портов // Изучения почвы из космоса. № 1. – 2014. – С.66-68
- Григорьева О.В., Жуков Д.В. Возможности авиационной и космической съемки для определения глубин прибрежных акваторий // Сборник трудов III Общероссийской научной конференции «Неприятности военно-прикладной геофизики и контроля состояния природной среды». Том 2. СПб, 2014 – С. 261-267
Технологии художественной обработки материалов
Подобранные по важим запросам, статьи по теме:
-
Комплекс приема и обработки информации дзз в вка им. а. ф. можайского
П. А. Лошкарев, Ю. В. Клепов Практика получения изображений поверхности Почвы из космоса насчитывает чуть более полувека. Первый снимок земной…
-
Использование программного комплекса envi для почвенного дешифрирования космических снимков
Л. В. Березин Решение проблемы рационального применения земельных фондов вероятно только на базе их систематического мониторинга. Для объективной оценки…
-
Обзор программного обеспечения для обработки данных аэрофотосъемки
Trimble UASMaster — ПО для фотограмметрической обработки данных, взятых с любых современных БПЛА: как с летательных аппаратов с неподвижным крылом, так и…
-
Обзор программного обеспечения для интерферометрической обработки радиолокационных снимков
П.Г. Михайлюкова Для обработки данных дистанционного зондирования на данный момент предлагается много ПО (ПО). Но только часть коммерческого и открытого…
-
Новая версия программного комплекса envi
№2(3), 2009 г. О. Н. Колесникова, Н. Б. Ялдыгина Программный комплекс (ПК) ENVI рекомендован для анализа и обработки данных дистанционного зондирования…
-
Практические аспекты освоения автоматической классификации космических снимков
Алябьева А.Д. В современном обществе известно, какую ключевую роль играются разные виды дистанционного зондирования Почвы (ДЗЗ). Чтобы применять…