Комплекс программных средств тематической обработки материалов космической гипер- и мультиспектральной съемки

      Комментарии к записи Комплекс программных средств тематической обработки материалов космической гипер- и мультиспектральной съемки отключены

Комплекс программных средств тематической обработки материалов космической гипер- и мультиспектральной съемки

 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

  1. Марков А. В., Шилин Б. В. Неприятности развития видеоспектральной аэросъемки. Оптический издание. Т.76, №2, 2009. С.20–27
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. Жуков Д.В. Методика тематической обработки гиперспектральных данных в задаче оценки экологического состояния акваторий портов // Изучения почвы из космоса. № 1. – 2014. – С.66-68
  8. 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: