Бесплатный автореферат и диссертация по наукам о земле на тему

Дешифрирование природных территориальных комплексов по многозональным космическим снимкам высокого разрешения

ВАК РФ 25.00.34, Аэрокосмические исследования земли, фотограмметрия

Автореферат диссертации по теме "Дешифрирование природных территориальных комплексов по многозональным космическим снимкам высокого разрешения"

На правах рукописи

Симонов Дмитрий Павлович

Дешифрирование природных территориальных комплексов по многозональным космическим снимкам высокого разрешения (на примере растительности)

25.00.34 - Аэрокосмические исследования Земли, фотограмметрия

Автореферат диссертации на соискание ученой степени кандидата технических наук

11 ноя 2015

005564277

Новосибирск - 2015

005564277

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего образования «Сибирский государственный университет геосистем и технологий» (СГУГиТ).

Научный руководитель - доктор технических наук, профессор Гук Александр Петрович

Официальные оппоненты:

Журкин Игорь Георгиевич, доктор технических наук, профессор, федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Московский государственный университет геодезии и картографии», заведующий кафедрой вычислительной техники и автоматизированной обработки аэрокосмической информации;

Никитина Юлия Владимировна, кандидат технических наук, федеральное государственное бюджетное учреждение «Рослесинфорг» Западно-Сибирский филиал, главный специалист участка дистанционного мониторинга.

Ведущая организация — федеральное государственное бюджетное учреждение науки Институт леса им. В. Н. Сукачева Сибирского отделения Российской академии наук (г. Красноярск).

Защита состоится 17 декабря 2015 г. в 13.00 час. на заседании диссертационного совета Д 212.251.02 при ФГБОУ ВО «Сибирский государственный университет геосистем и технологий» по адресу: 630108, Новосибирск, ул. Плахотно-го, д. 10, ауд. 402.

С диссертацией можно ознакомиться в библиотеке и на сайте ФГБОУ ВО «Сибирский государственный университет геосистем и технологий»: http://sgugit.ru/science-and-innovations/dissertation-councils/dissertations/simonov-dmitry-pavlovich/

Автореферат разослан 23 октября 2015 г. Ученый секретарь

Изд. лиц. ЛР № 020461 от 04.03.1997. Подписано в печать 15.10.2015. Формат 60 * 84 1/16. Печ. л. 1,00. Тираж 100 экз. Заказ Редакционно-издательскнй отдел СГУГиТ 630108, Новосибирск, Плахотного, 10. Отпечатано в картопечатной лаборатории СГУГиТ 630108, Новосибирск, Плахотного, 8.

диссертационного совета

Середович В. А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Развитие методов дешифрирования космических снимков и средств космического мониторинга открывает широкие возможности для определения различных параметров природных комплексов и, в частности, лесных массивов а также повышает оперативность получения информации, снижая при этом затраты, что существенно при больших объемах исследований, характерных для Российской Федерации.

Системы получения информации на основе данных дистанционного зондирования и количественном подходе активно развиваются с начала 80-х гг. XX в. Развитию данного направления исследований посвящены работы Арманда Н. А., Асмуса В. В., ГукаА. П., ЖуркинаИ. Г., КопыловаВ. Н., ЛупянаЕ. А, Пятки-на В. П., Сойфера В. А., Чочии П. А., Ярославского JI. П. В настоящее время разработаны различные методы цифровой обработки многозональных космических снимков и соответствующие специализированные программные продукты, такие, как ENVI, ER-MAPPER, ERDAS Imaging, Geomatica и другие.

Автоматизированные методы успешно применяются в различных сферах исследования поверхности Земли для решения широкого круга задач: при мониторинге водных объектов, городских территорий, для сельского хозяйства, при проведении лесотаксационных работ и инвентаризации леса. В условиях России, где работы выполняются на обширных территориях, эффективное применение космических снимков возможно только при использовании автоматических методов дешифрирования снимков. При этом следует учитывать, что природно-территориальные комплексы имеют существенные различия, поэтому исследование и разработку методик автоматизированного дешифрирования следует выполнять применительно к территории определенного типа.

Несмотря на большое количество разработанных и используемых алгоритмов и методик, в области автоматизации дешифрирования существует ряд нерешенных проблем, связанных с отсутствием необходимого и достаточного на-

бора дешифровочных признаков для оценки объектов и их состояния по снимкам при распознавании большинства естественных объектов.

Основным дешифровочным признаком чаще всего является спектральная яркость объекта, зафиксированная в виде значений яркости элементов цифрового изображения. Поскольку природные образования даже одного типа обладают различными отражательными характеристиками в силу многих причин, то очевидно, что само значение яркости объекта не может служить достаточным дешифровочным признаком.

С другой стороны, в силу характеристик съемочных систем, измерительный сигнал даже от одного пикселя уже является интегральной характеристикой свойств исследуемой территории. Вероятностный характер такого распределения отражается в наборе значений яркостей, которые соответствуют одному объекту, т. е. являются не конкретным числом, а некоторым распределением совокупности измерений - функцией, вид которой может быть однозначным признаком, поскольку представление информации в цифровом изображении уже переводит регистрируемый сигнал в разряд измерений.

Таким образом, для того, чтобы на основе измерения яркости изображения получить спектральные яркости объекта с целью определить его тип, требуется установить функциональную зависимость с учетом всех факторов, влияющих на результаты измерений. Реально получить такую зависимость практически невозможно, так как яркости элементов многоспектрального изображения не могут однозначно определить тип объекта. Даже если задать определенный интервал изменения яркости, то однозначного решения не получится, поскольку значения спектральных яркостей элементов изображения для различных природных и антропогенных образований перекрываются.

Поэтому одним из вариантов решения проблемы является получение и использование статистических характеристик, описывающих распределение яркостей совокупности элементов, т. е. получение функции распределения плотности вероятностей яркостей элементов, образующих изображение объекта.

Степень разработанности темы. Все методы дешифрирования в той или иной степени основаны на измерении абсолютной или относительной яркости отраженного от объекта потока лучистой энергии, однако само значение яркости в силу существенной изменчивости отражательной способности природных образований, как следует из вышеизложенного, не является достаточным де-шифровочным признаком.

В связи с этим является актуальной задача разработки алгоритма дешифрирования, позволяющего оценить вид природного образования, а также его однородность на основе статистических характеристик яркости, отображающих вариативность его отражательной способности, что позволит увеличить достоверность результатов дешифрирования и эффективность природопользования.

Цели и задачи научного исследования. Целью данной диссертационной работы являлось совершенствование методов автоматизированного дешифрирования на основе изучения статистических характеристик спектральных яркостей изображений объектов на многоспектральных снимках, создание статистических эталонов распределения яркостей объектов на изображениях, разработка новой методики распознавания объектов, основанной на использовании полученных статистических эталонов.

Для достижения поставленной цели необходимо решить следующие задачи:

- выполнить исследование статистических свойств яркостей изображений различных природных объектов на многоспектральных снимках;

- показать, что функция плотности распределения может служить устойчивым численным дешифровочным признаком изображения объекта;

- разработать методику получения функции распределения плотности вероятностей яркостей изображения заданных объектов на многоспектральных снимках;

- разработать методику дешифрирования на основе использования статистических эталонов и соответствующую технологическую схему;

- выполнить исследование предложенной методики и оценить ее эффективность.

Научная новизна диссертации заключается в том, что разработан новый метод дешифрирования природных территориальных комплексов с использованием статистических эталонов, отличающийся от стандартных тем, что для описания характеристики объекта используются не отдельные численные значения яркостей элементов снимка, а функция распределения плотности вероятностей совокупности яркостей, составляющих изображение объекта, что позволяет повысить достоверность распознавания природных образований на снимках, в частности, при дешифрировании лесных массивов.

Теоретическая и практическая значимость работы:

- показано, что функция распределения плотности вероятностей позволяет характеризовать внутренние свойства объектов, и, соответственно, эту характеристику можно использовать при распознавании объектов;

- разработана новая методика дешифрирования объектов на снимках на основе статистического подхода к распознаванию образов.

На основании выполненных исследований:

- получены статистические характеристики изображений для ряда природных объектов, в том числе для различных типов лесной растительности;

- разработана методика получения статистических эталонов, позволяющая создавать такие эталоны для объектов различных классов;

- разработана новая методика, позволяющая автоматизировать процесс дешифрирования природных объектов и повысить достоверность распознавания.

Методология и методы исследования. В работе использовались методы цифровой обработки изображений, методы цифровой фотограмметрии, методы статистической теории распознавания образов и статистического анализа, физического и численного моделирования.

Положения, выносимые на защиту:

- функция плотности распределения яркостей изображений является устойчивым дешифровочным признаком для ряда природных объектов;

- методика оценки функции плотности распределения вероятностей яркостей изображений для получения статистических эталонов;

- метод дешифрирования на основе использования статистических эталонов, обеспечивающий повышение достоверности распознавания природных объектов на снимках;

- технологическая схема выполнения дешифрирования природных территориальных комплексов (на примере растительности) по предложенной методике.

Степень достоверности и апробация результатов.

Достоверность разработанной методики подтверждается результатами экспериментальных работ, выполненных по многоспектральным космическим снимкам тестовых участков на полигоне.

Основные положения и результаты исследований, практические рекомендации и выводы докладывались и обсуждались на Международных научных конгрессах: «ГЕО-Сибирь» (2009 г., 2011 г., Новосибирск), «Интерэкспо ГЕО-Сибирь» (2012-2014 гг., Новосибирск).

Основные результаты работы внедрены в производственный процесс филиала ФГБУ «Рослесинфорг» «Востсиблеспроект» (Красноярск) при формировании результатов мониторинга природных территорий, а также в учебный процесс ФГБОУ ВО «Сибирский государственный университет геосистем и технологий» (Новосибирск) по дисциплинам «Методы и технологии распознавания объектов по их изображению» и «Фотограмметрия и дистанционные методы зондирования Земли».

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении сформулированы цель и задачи, обоснована актуальность работы, описаны методы исследования, приведены новизна, теоретическая и практическая значимость, а также сформулированы основные положения, выносимые на защиту.

В первом разделе проведен анализ основных задач и проблем мониторинга территорий на примере оценки состояния лесных массивов. Показано, что для

этих целей эффективно использовать космические снимки как среднего, так высокого и сверхвысокого разрешения, обеспечивающие периодичность, позволяющую выполнять основные работы по мониторингу природных территорий. Рассмотрены основные принципы получения многоспектральных космических снимков, факторы, влияющие на яркость элементов изображения, а также спектральные характеристики объектов. В результате анализа методов автоматизированного дешифрирования снимков установлено, что, несмотря на большое количество разработанных и используемых методик, существует ряд нерешенных проблем, особенно при дешифрировании природных образований. Следует заметить, что это объясняется не только недостаточным количеством исследований, проведенных в этой области, но и вариативностью свойств растительного покрова. До сих пор не установлена функциональная связь между измерениями, получаемыми в результате дистанционного зондирования (в большинстве случаев — это спектральные яркости) и характеристиками исследуемого объекта.

В распознавании образов на снимках существенная роль принадлежит человеку (оператору, принимающему решение). Однако современные съемочные средства дистанционного зондирования дают чрезвычайно большой объем информации, который может быть эффективно использован только при автоматической обработке этой информации. Отмечено, что при решении конкретных задач регионального мониторинга возникает ряд особенностей, которые позволяют упростить решение задачи дешифрирования, поэтому необходима новая технология дешифрирования, учитывающая конкретную прикладную задачу и вид объекта, а также особенности регистрации и обработки данных, возникающие в системе мониторинга. Таким образом, разработка новых методов оценки параметров и состояния природных комплексов достаточно актуальна и перспективна.

Во втором разделе обосновывается предложенный метод — дешифрирование по статистическим эталонам, основанный на статистическом подходе к описанию яркостей изображения объектов различных типов на многоспектральных

снимках. Спектральные яркости являются одним из основных дешифровочных признаков объектов на снимках. Однако, на эти измерения влияет большое количество различных факторов. Соответственно, функциональная математическая модель, устанавливающая связь между измерениями и спектральными яркостями, а также свойствами объекта, очень сложная. Практически использовать такую модель невозможно, так как нужно фиксировать большое число различных параметров, причем многие факторы носят случайный характер.

Полученные на практике результаты показывают, что, при наблюдении в совокупности множества однородных случайных явлений, в них обнаруживаются вполне определенные закономерности, своего рода устойчивости, свойственные именно этой совокупности случайных явлений. Именно массовость случайных явлений обеспечивает выполнение такой закономерности. Свойства, проявляющиеся в этой массе, оказываются практически независимыми от индивидуальных особенностей отдельных случайных явлений, входящих в эту массу, и чем большее количество однородных случайных явлений участвует в процессе, тем отчетливее проявляются присущие их совокупности специфические законы.

Во всех случаях, когда применяются вероятностные методы исследования, цель состоит в том, чтобы, минуя слишком сложное (а иногда и практически невозможное) изучение отдельного явления, обусловленного слишком большим количеством факторов, обратиться непосредственно к законам, управляющим всей совокупностью этих событий.

В работе автора было показано, что, например, отражающая способность листовых пластин может меняться в несколько раз при одних и тех же условиях съемки и существенно зависит от типа рассматриваемой растительности, в то же время, для определенного типа растительного покрова распределение вероятностей появления пикселей заданных яркостей практически не изменяется. Таким образом, одним из вариантов определения типа объекта является нахождение статистических характеристик, описывающих распределение яркостей

совокупности элементов, описывающих объект. Соответственно, получив функции плотности распределения вероятностей яркостей элементов, образующих изображение объекта, можно по этому фактору отличить один объект от другого.

В статистическом подходе исследуются свойства случайных векторов X = (х[,х2,...,хк), где к- количество признаков (при обработке многоспектральных снимков к— количество спектральных каналов съемочной системы). Элементами вектораХ для случая распознавания объектов по их изображениям на снимках являются значения яркостей элементов изображения. Известно, что случайный вектор полностью характеризуется функцией распределения вероятностей Р(Х) или функцией плотности распределения вероятностей

В общем случае при распознавании образов на изображении закон распределения Р(Х) и функция плотности распределения а>(Х) не известны и для их оценки используется непараметрический метод.

Оценка определяется по обучающей выборке (х,)"'' = (х,хг,...,хк) заданного объема т для каждого из классов , к = 1, 2, ..., к.

Оценку со(Х) можно получить различными методами, которые основаны на аппроксимации со(Х) тем или иным способом. Применяются: гистограммный метод, метод Парзена, метод К-ближайших соседей, разложение по ортогональным функциям, но так как почти все оценки являются асимптотическими, то выбор метода оценки особой роли не играет, практически необходимо увеличивать размер выборок по возможности, как для эталонов, так и для оцениваемых функций. В данной работе для оценки функции плотности вероятностей использовался гистограммный метод. Распознавание на основе статистических характеристик объектов выполняется следующим образом. После определения функции плотности распределения вероятностей ю(хь х2, ..., х, / 50) заданного класса эталонного объекта 50 по обучающей выборке определяется соответст-

венно функция плотности вероятностей со(хь х2, ..., х,- /.?,) для дешифрируемого класса ^ Распознавание объекта осуществляется сравнением этих зависимостей, т. е. оценивается, принадлежит ли оцениваемый объект заданному эталонному классу или нет. В данной работе для оценки принадлежности оцениваемого объекта к заданному классу использовались:

- метод, основанный на формировании отношения правдоподобия и его анализе;

- метод, использующий корреляционный анализ.

В методе правдоподобия вычисляется отношение правдоподобия:

1=а{х1,х2,...,х„/ Б,) >с

где со(х1, х2, ..., х„ / 5]) - условная плотность вероятности при условии принадлежности классу 51,;

ю(хь х2, ..., х„ / 50) - условная плотность вероятности принадлежности эталонному классу 5о;

С - критерий соответствия.

Если соотношение выполняется, то считается, что оцениваемая совокупность принадлежит генеральной совокупности, т. е. объект Sj соответствует эталону Для одномерного случая имеем:

где со[(х,.)и и'0 (х() - оценка функции плотности вероятностей признака х в точках измерений х,; Ы- количество измерений.

При использовании корреляционного метода оценки принадлежности функций распределений к заданному классу вычисляется максимум корреляционной функции, полученной по эталонной и оцениваемой функциями.

Таким образом, дешифрирование выполняется путем последовательного сравнения функции плотности распределения вероятностей изображения определяемого объекта с каждой эталонной функцией плотности распределения вероятностей - статистическими эталонами. Решение о принадлежности объекта к определенному классу принимается при выполнении условий максимального соответствия эталонной функции.

В работе предложена методика создания статистических эталонов, которая включает следующие процессы:

- выбирается снимок, в общем случае совокупность снимков, полученных многоспектральной съемочной системой одного типа;

- выбирают участки на снимках, на которых изображены объекты определенного класса, для которых создаются статистические эталоны;

- выбирается спектральный канал, по которому выполняется оценка функции плотности распределения вероятностей;

- для каждого объекта, изображенного на всех эталонных снимках, строится гистограмма, характеризующая оценку функции плотности распределения вероятностей. Полученная функция распределения плотности вероятностей используется как эталонная.

Общая технологическая схема дешифрирования снимков на основе статистических эталонов, предложенная в работе, включает следующие процессы:

- предварительный анализ исходных снимков и дополнительных материалов (выбор оптимальных каналов, оценка картографических материалов и прочих возможно имеющихся данных);

- предварительная обработка дешифрируемых снимков (атмосферная коррекция, трансформирование, нормирование, масштабирование яркостей, сегментация и/или другие преобразования);

- выбор участков для создания эталонов;

- определение объема эталонных выборок, обеспечивающего их репрезентативность;

- получение функции плотности распределения вероятностей для эталонов;

- создание набора статистических эталонов;

- получение контрольной выборки;

- оценка функции плотности распределения вероятностей для контрольной выборки;

- оценка принадлежности контрольной выборки к той же генеральной совокупности, что и эталонная выборка;

-редактирование набора статистических эталонов в соответствии с контрольной выборкой;

- выбор объектов для идентификации;

- получение функции плотности распределения вероятностей для распознаваемых объектов;

- последовательное сопоставление всех идентифицируемых и эталонных выборок;

- принятие решения о принадлежности объекта к определенному классу;

- оценка полученных результатов.

В третьем разделе описаны экспериментальные работы.

Экспериментальные работы выполнялись по космическим снимкам IKONOS, Quik Bird, Formosat 2. Для обработки снимков использовалось программное обеспечение ERDAS Imagine 9, ENVI и специально разработанные программы для предварительной обработки изображений. Эксперименты включают в себя исследования, направленные на подтверждение правомерности и эффективности применения метода статистических эталонов для распознавания объектов по их изображениям на многоспектральных снимках. Для этого было выполнены: исследования вариативности спектральных яркостей растительности; определение минимальных размеров выборок для оценки эталонов и дешифрируемых объектов; оценка статистических свойств некоторых типов растительности, включая нахождение статистических эталонов. Также была проверена работоспособность предложенного метода и выполнена оценка

достоверности дешифрирования. В результате исследования вариативности спектральных яркостей растительности в зависимости от изменения яркостей отдельных ее составляющих (в частности, пространственной ориентации листьев и хвои) установлено, что:

- изменение положения листовой пластины относительно съемочной системы и/или солнечного освещения приводят к изменениям численных значений яркости;

- хвойные и лиственные леса имеют различный характер зависимости яркости от ориентации листовой пластины;

- лиственные леса различных пород имеют значительные различия яркости для одних и тех же углов разворота листовых пластин.

Для определения минимально необходимого объема выборки при создании эталонов были проведены эксперименты с различными объемами выборок, по которым гистограммным методом оценивались функции распределения плотности вероятностей. Функции, полученные по различным выборкам, сравнивались путем оценки соответствия по максимуму корреляционной функции. На рисунке 1 показан график изменения корреляции между функциями, полученными по различным выборкам.

1,000 т 0,900 4

0,800 г 0,700 0,600 0,500 0,400 $ 0,300 0,200 0,100 0,000

N

^ ^ <£?> «X? д<£> А0

^ ^ ^ # ❖ Л

Размер участка, пиксели Рисунок 1 - Изменение коэффициента корреляции в зависимости от размеров выборок

Полученный результат показывает, что при количестве измеренных яркостей элементов изображения, превышающих 1 500 измерений, вид функции распределения практически не меняется и значение максимума корреляции соответствует установленному допуску (в данном случае 0,94).

На следующем этапе исследовались особенности изменения статистических характеристик отдельных видов растительности: среднее значении яркостей, диапазон яркостей и среднее квадратичное отклонение для данного класса, а также вид оценки функции плотности вероятностей для разных классов и поведение спектральных яркостей в различных каналах многоспектральных съемочных систем с целью определения возможности их применения для дешифрирования объектов заданного класса при применении различных подходов. На рисунках 2 и 3 показаны статистические характеристики яркостей изображений различных объектов для разных спектральных каналов (я - количество пикселей, Я - яркость в условных единицах).

Рисунок 2 - Распределение частоты появления пикселей с данной яркостью для красного канала: а) для всего снимка; б) по каждому типу объекта - вода, болото, лиственная растительность, трава, хвойные

_ыа

и г

/ У/

<

■<!1П1К«!|;ш»йМ!!)Ш1ЙШ1иШШ й

е

' --jsa.il

ЙТГ"

б)

- ош

Т1

Рисунок 3 - Распределение частоты появления пикселей с данной яркостью для инфракрасного (ИК) канала: а) для всего снимка; б) по каждому типу объекта -вода, болото, лиственная растительность, трава, хвойные

Анализ результатов показал, что:

- несмотря на значительные отличия формы гистограмм различных объектов в большинстве спектральных каналов, значения яркостей этих объектов перекрываются, т. е. разделить объекты по средним значениям р. и средним квадратичным отклонениям а невозможно, и, соответственно, стандартный подход при классификации будет давать существенные ошибки;

- наименьшее перекрытия областей яркости для разных типов растительности наблюдается в ИК-канале, и эта тенденция сохраняется для всех рассмотренных снимков;

- единственным признаком, сохраняющим свои характеристики для заданного объекта практически в каждом канале, является вид функции, описывающей частоты появления пикселя с заданной яркостью, а наибольшее различие вида кривых наблюдается в красном канале и ИК-диапазонах спектра.

На следующем этапе были получены статистические эталоны для некоторых типов леса. Для корректности проведения экспериментов на космических снимках были выбраны однородные тестовые участки (рисунок 4) определенного типа растительности в соответствии с лесоустроительной картой.

а) б)

Рисунок 4 - Тестовые участки определенных типов растительности: а) на снимке; б) на карте

Далее в соответствии с правилами получения эталонов были рассчитаны оценки функции плотности вероятностей распределения яркостей участков. Эти функции были приняты за эталонные. Примеры эталонных функций приведены на рисунке 5.

г) д) е)

Рисунок 5 - Примеры эталонных функций: а) тестовый участок № 1; б) тестовый участок № 2; в) тестовый участок № 3; г) тестовый участок № 4; д) тестовый участок № 5; ^ тестовый участок № 6

Для подтверждения эффективности предложенной методики по всему полю снимка были выбраны одиннадцать участков-образцов, обозначенных литерами А-Ь английского алфавита, для которых нужно было определить тип леса.

На рисунке 6 представлен пример распознавания типа леса на основе соответствия вида функций распределения плотности вероятности яркостей эталонного и исследуемого участков. Достоверность распознавания типа растительности определялась сравнением с данными лесоустроительной карты.

Рисунок 6 - Пример соответствия вида функций плотности вероятностей распределения яркостей эталонного участка и образца: а) тестовый участок № 7; б) участок-образец А

На следующем этапе было выполнено последовательное сравнение функции определяемого объекта с каждой функцией-эталоном. В таблице 1 представлены значения коэффициентов корреляции между эталонами, а также объектом и эталоном. Первая часть таблицы показывает, что большинство эталонов существенно отличаются друг от друга.

Результаты дешифрирования представлены во второй части таблицы, где приведены значения и выделены максимумы корреляционных функций, полученных в результате сравнения дешифрируемого объекта с каждым из эталонов. Принадлежность к данному типу леса в соответствии с эталоном определялась по максимуму корреляции. Как видно из результатов эксперимента, достоверность распознавания составила около 90 %.

Таблица 1 - Корреляционная матрица

Объекты -

сравнения Эталон 1 Эталон 2 Эталон 3 Эталон 4 Эталон 5 Эталон 6 Эталон 7

1 1,000 0,560 0,763 0,205 0,942 0,726 0,346

(-Н >4 2 0,560 1,000 0,898 0,654 0,527 0,946 0,813

я о § н 3 0,763 0,898 1,000 0,601 0,690 0,894 0,779

4 0,205 0,654 0,601 .1,000 0,116 0,606 0,922

5 0,942 0,527 0,690 0,116 1,000 0,796 0,408

СО 6 0,726 0,946 0,894 0,606 0,796 .1,000 0,745

7 0,346 0,813 0,779 0,922 0,408 0,745 1,000

А 0,334 0,742 0,688 0,921 0,367 0,694 0,963

В 0,264 0,724 0,690 0,950 0,293 0,663 0,957

С 0,159 0,542 0,559 0,954 0,159 0,455 0,853

э 0,164 0,552 0,573 0,954 0,192 0,486 0,851

а й Он ю Е 0,259 0,730 0,689 0,958 0,305 0,606 0,931

Б 0,879 0,526 0,623 0,152 0,812 0,654 0,316

в 0,264 0,703 0,884 0,939 0,391 0,617 0,925

О Н 0,609 0,913 0,874 0,658 0,698 0,937 0,873

I 0,905 0,938 0,661 0,213 0,829 0,609 0,311

К 0,544 0,825 0,768 0,918 0,506 0,834 0.949

ь 0,339 0,816 0,777 0,950 0,384 0,682 0,943

В таблице 2 представлены результаты дешифрирования снимков традиционными методами с обучением: методом максимального правдоподобия, методом расстояния Махаланобиса, методом минимальных дистанций. Полученные результаты показывают, что методы классификации, основанные на использовании значений яркости, плохо разделяют классы с близкими значениями или большой вариативностью этого параметра.

Данные, приведенные в таблицах 1, 2, подтверждают преимущества предложенного метода статистических эталонов по сравнению с простым применением традиционных методов. Естественно, что применение более сложных алгоритмов дешифрирования может привести к более высокой достоверности. Однако применение метода статистических эталонов показывает достаточно хорошие результаты.

При применении этого метода в комплексных алгоритмах распознавания можно рассчитывать на получение высокой достоверности и оперативности распознавания объектов, а также возможности автоматизации процесса.

Таблица 2 - Достоверность результатов дешифрирования

Объекты сравнения Достоверность дешифрирования автоматизированными методами:

максимального правдоподобия расстояние Махаланобиса минимальных расстояний

Образцы А (Эталон 7) Class 4-35 % Class 7-49 % Class 2-12% Class 3-11% Class 4-22 % Class 5-24 % Class 7-25 % Class 1 - 17 % Class 2-23 % Class 3-27 % Class 4 - 18 % Class 7 - 6 %

В (Эталон 7) Class 4-32 % Class 7-48% Class 2-18% Class 3-11% Class 4-21 % Class 5-15% Class 7-29 % Class 1 - 16 % Class 2-24% Class 3-28% Class 4- 17 % Class 7 - 7 %

С (Эталоны 3,4) Class 4-65 % Class 7-21% Class 2-17% Class 4 -49 % Class 7-17% Class 1 - 13 % Class 2-27 % Class 3-26% Class 4-24 %

О (Эталоны 3,4) Class 4-63 % Class 7-23 % Class 2- 14% Class 4-46 % Class 7-21 % Class 1 - 14 % Class 2-31 % Class 3 - 22 % Class 4-24 %

Е (Эталоны 3,4) Class 2-14 % Class 4-62 % Class 7 - 16 % Class 2-25 % Class 4-42 % Class 7-14% Class 1 - 15 % Class 2-23 % Class 3-27 % Class 4-20 %

; И (Эталоны 1.5) Class 1 - 17 % Class 3 - 19 % Class 5-35 % Class 6-28 % Class 1 - 15 % Class 3-22% Class 5-46 % Class 6 - 11 % Class 1 - 11 % Class 3 -23 % Class 5-34 % Class 6-20 %

в (Эталоны 3,4) Class 4-41 % Class 7-39 % Class 2-12 % Class 3 - 11 % Class 4-27% Class 5-16% Class 7-25% Class 1 - 15 % Class 2-25 % Class 3-28 % Class 4- 15 %

Н (Эталон 6) Class 2-10 % Class 4- 16% Class 6-35 % Class 7-23 % Class 1 - 12 % Class 2-13% Class 3 - 16 % Class 5 - 12 % Class 6-25 % Class 7 - 13 % Class 1 - 14 % Class 2-24 % Class 3-29 % Class 6-16%

I (Эталон 2) Class 1 - 30 % Class 2 - 8 % Class 3- 13% Class 5-33 % Class 1 - 16% Class 2 - 3 % Class 3-16 % Class 5-59 % Class 1 - 10 % Class 2 - 5 % Class 3-18% Class 5-54 % Class 6-11%

К (Эталон 7) Class 2 - 11 % Class 4-30% Class 7-39 % Class 2-16 % Class 3-13% Class 4-20 % Class 5 - 14 % Class 7-23% Class 1 - 17 % Class 2-24 % Class 3-31 % Class 4 - 11 % Class 7 - 5 %

I, (Эталон 7) Class 2- 12% Class 4-46 % Class 7-25% Class 2-21 % Class 4-30% Class 5- 12% Class 7- 18 % Class 1 - 18 % Class 2-21 % Class 3-21 % Class 4-13% Class 5-19 % Class 7 - 5 %

21

ЗАКЛЮЧЕНИЕ

В заключении сформулированы основные результаты работы:

- выполнен анализ современных методов цифровой обработки аэрокосмических снимков, используемых при мониторинге природных территориальных комплексов; установлено, что дешифрирование на основе спектральных яркостей в ряде случаев дает неудовлетворительный результат. Поэтому необходимо совершенствовать существующие алгоритмы и разрабатывать новые простые и устойчивые методы распознавания, а также использовать комплексные алгоритмы для повышения достоверности автоматизированного дешифрирования снимков;

- показано, что статистические характеристики яркостей элементов изображений сохраняют свои значения для одного класса объектов для различных снимках, полученных съемочной системой одного типа, и существенно меняются для объектов других классов, следовательно, функция распределения яркостей изображения объекта является устойчивым дешифровочным признаком;

- разработана методика получения статистических эталонов для дешифрирования многоспектральных космических снимков и получены статистические эталоны для некоторых типовых объектов растительности для космических снимков высокого разрешения;

- разработана новая методика и технологическая схема дешифрирования аэрокосмических снимков по статистическим эталонам, позволяющая с высокой степенью достоверности дешифрировать различные природные образования на поверхности Земли, в том числе растительность;

- исследования изменений функции распределения плотности вероятностей для различных каналов многоспектральной съемочной системы показали, что разделимость объектов по спектральным яркостям и по спектральным эталонам различается, и вследствие этого можно использовать такие признаки как дополняющие, что повышает достоверность распознавания;

- экспериментальные работы, выполненные по реальным космическим снимкам IKONOS, Quik Bird, Formosat 2, показали эффективность применения разработанного метода, вероятность распознавания объектов растительности достигает 90 %. Дальнейшее развитие предложенного метода - применение его в комплексных алгоритмах, что повысит надежность и достоверность автоматических алгоритмов дешифрирования.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ АВТОРОМ ПО ТЕМЕ ДИССЕРТАЦИИ

1 Дешифровочные признаки изображений объектов на многоспектральных космических снимках. Разработка методик автоматизированного дешифрирования аэрокосмических снимков / А. П. Гук, Л. Г. Евстратова, Е. П. Хлебникова, С. А. Арбузов, М. А. Алтынцев, А. С. Гордиенко, А. А. Гук, Д. П. Симонов // Геодезия и картография. - 2013. -№ 7. - С. 31-40.

2 Симонов, Д. П. Метрический подход к дешифрированию снимков / Д. П. Симонов //Геодезия и картография. - 2014. -№ 10. - С. 51-56.

3 Симонова, Г. В. Использование структурных признаков при цифровой обработке изображений / Г. В. Симонова, Е. П. Хлебникова, Д. П. Симонов // ГЕО-Сибирь-2009. V Междунар. науч. конгр. : сб. материалов в 6 т. (Новосибирск, 20-24 апреля 2009 г.). - Новосибирск: СГГА, 2009. Т. 5, ч. 2. - С. 168-170.

4 Хлебникова, Е. П. Определение количественного и качественного состава керамики методами автоматизированного дешифрирования / Е. П. Хлебникова, Д. П. Симонов // ГЕО-Сибирь-2011. VII Междунар. науч. конгр. : сб. материалов в 6 т. (Новосибирск, 19-29 апреля 2011 г.). - Новосибирск: СГГА, 2011. Т. 4.-С. 55-59.

5 Разработка бесконтактных методов количественного определения структурных характеристик керамических материалов / П. М. Плетнев, Г. В. Симонова, Д. П. Симонов, А. С. Степанова // Интерэкспо ГЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Специализированное прибо-

ростроение, метрология, теплофизика, микротехника, нанотехнологии» : сб. материалов в 2 т. (Новосибирск, 10-20 апреля 2012 г.). - Новосибирск: СГГА,

2012. Т. 2.-С. 196-200.

6 Симонов, Д. П. Анализ возможности создания цифровых эталонов признаков для структурированных поверхностей / Д. П. Симонов // Интерэкспо ГЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Специализированное приборостроение, метрология, теплофизика, микротехника, нанотехнологии» : сб. материалов в 2 т. (Новосибирск, 10-20 апреля 2012 г.). -Новосибирск: СГГА, 2012. Т. 2. - С. 201-204.

7 Симонов, Д. П. Анализ методов выделения типов растительных покровов по многозональным космическим снимкам / Д. П. Симонов // Интерэкспо ГЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 10-20 апреля 2012 г.). - Новосибирск: СГГА, 2012. Т. 1. - С. 3-7.

8 Хлебникова, Е. П. Возможности применения методов статистического анализа при дешифрирован™ многозональных космических снимков / Е. П. Хлебникова, Д.П.Симонов // Интерэкспо ГЕО-Сибирь-2013. IX Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск: СГГА, 2013. Т. 1.-С. 59-63.

9 Хлебникова, Е. П. Исследование возможности использования цифровых снимков высокого разрешения для определения отражательных характеристик растительности / Е. П. Хлебникова, Д. П. Симонов // Интерэкспо ГЕО-Сибирь-

2013. IX Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск: СГГА, 2013. Т. 1. - С. 64-69.

10 Симонова, Г. В. Разработка оптического метода контроля качества поверхности / Г. В. Симонова, Д. П. Симонов // Интерэкспо ГЕО-Сибирь-2013. IX Междунар. науч. конгр. : Междунар. науч. конф. «Сиб0птика-2013» : сб. материалов в 2 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск: СГГА, 2013. Т. 2-С. 62-66.

11 Хлебникова, Е. П. Автоматизация контроля качества поверхностей на основе анализа статистических характеристик их цифровых изображений / Е. П. Хлебникова, Д. П. Симонов // Интерэкспо ГЕО-Сибирь-2014. X Междунар. науч. конгр. : Междунар. науч. конф. «Сиб0птика-2014» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск: СГГА, 2014. Т. 2. -С. 54-58.

12 Хлебникова, Е. П. Исследование методов статистического анализа при дешифрировании многозональных космических снимков / Е. П. Хлебникова, Д.П.Симонов // Интерэкспо ГЕО-Сибирь-2014. X Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск: СГГА, 2014. Т. 1. -С. 19-23.