Бесплатный автореферат и диссертация по наукам о земле на тему

Разработка методики автоматизированного дешифрирования космических изображений земной поверхности с использованием системы n-мерных спектральных признаков

ВАК РФ 25.00.34, Аэрокосмические исследования земли, фотограмметрия

Автореферат диссертации по теме "Разработка методики автоматизированного дешифрирования космических изображений земной поверхности с использованием системы n-мерных спектральных признаков"

904613736

БОРИСОВА МАРИЯ ВЯЧЕСЛАВОВНА

РАЗРАБОТКА МЕТОДИКИ АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ КОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ С ИСПОЛЬЗОВАНИЕМ СИСТЕМЫ п - МЕРНЫХ СПЕКТРАЛЬНЫХ ПРИЗНАКОВ

Специальность 25.00.34 Аэрокосмические исследования Земли, фотограмметрия

АВТОРЕФЕРАТ 2 5 НОЯ 2010

Диссертации на соискания ученой степени кандидата технических наук

Москва-2010

004613736

Работа выполнена на кафедре физики факультета оптико-информационных систем

и технологий

Московского государственного университета геодезии и картографии

Научный руководитель:

Официальные оппоненты:

кандидат физико-математических наук, профессор Феофилактова Т.В. доктор геолого-минералогических наук, профессор Зверев А. Т. кандидат технических наук Ершов Д.В.

Ведущая организация: ФГУП «Государственный научно-исследовательски

и производственный центр «Природа» (ФГУ «Госцентр «Природа»)

Защита состоится « 0 » ^г^а^тЛ_ 2010 г. в /У часов на заседай

диссертационного совета Д.212.143.01 при Московском государственн университете геодезии и картографии по адресу: 105064, Москва К-64, Гороховск пер., д. 4, МИИГАиК, зал заседания Ученого Совета.

С диссертацией можно ознакомиться в библиотеке МИИГАиК. Автореферат разослан « ¿со^С^^ьЯ- 2010г. Ученый секретарь . л ^

Диссертационного совета ^(Ю^^ Краснопевцев Б.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ. Актуальность проблемы:

В настоящее время широкое развитие получили космические системы дистанционного ндирования Земли (ДЗЗ). За всем происходящим на ее поверхности ежесекундно блюдают сотни спутниковых систем с различного рода разрешением и спектральным апазоном, каждая из которых решает определенные природно-ресурсные задачи, бработка данных дистанционного зондирования достаточно трудоемкий процесс, он стоит из нескольких этапов предварительной, первичной и вторичной (тематической) работки. Получение информации об объектах местности по материалам космических емок для выполнения различного рода тематической обработки выполняется на этапе шифрирования. Тематическое дешифрирование аэрокосмических изображений для задач ониторинга и картографирования традиционно опирается на визуально нструментальные и автоматизированные методы. Следует отметить, что процесс зуально инструментальной обработки весьма трудоемок и субъективен. При этом сроки шолнения и качество полученной информации определяются главным образом общей удицией и квалификацией специалистов, уровнем развития у них профессионально еобходимых психофизических качеств, а главное опытом. Поэтому вполне объяснимо гремление к максимальной автоматизации процесса обработки аэрокосмической нформации.

В настоящее время существует большой опыт автоматизированной обработки и анализа ифровых изображений. Часть автоматизированных методов реализована и успешно рименяется в процессе интерактивного дешифрирования аэрокосмической информации, дной из главных задач ученых в данном направлении является поиск таких прямых и свенных дешифровочных признаков, при которых результат автоматизированного шифрирования будет наиболее устойчив к изменениям условий аэрокосмической съемки сследуемых объектов на земной поверхности.

Классификация многозональных космических изображений с использованием олылинства современных программных средств (Erdas Imagine, ENVI, EDRISIW, Er apper и т.д.), ведется по спектральным коэффициентам яркости (CKЯ), но спектральные арактеристики природных образований не всегда позволяют однозначно разделить два бъекта между собой. Это связано с сильной корреляцией спектральных характеристик

различных классов объектов в одних и тех же диапазонах спектра, что приводит i ошибочному распознаванию классифицируемых объектов. Кроме того, СКЯ и и. линейные производные очень чувствительны к условиям космосъемки (геометрически условия освещения и визирования объектов, угол поля зрения прибора, атмосферно оптические явления (дымка, облачность и т.д.)). Все это и многое другое оказывае существенное влияние на результат тематического дешифрирования.

Актуальность диссертационной работы, таким образом, обусловлена:

- Необходимостью повышения достоверности результатов классификации объектов i ускорения процесса тематического дешифрирования цифровых изображений земно! поверхности;

- Необходимостью разработки соответствующих автоматизированных технологи! тематической обработки космических изображений.

Цель исследования: разработка методики и технологии автоматизированно' тематической обработки многозональных космических изображений земной поверхност на основе системы n-мерных спектральных признаков.

Задачи исследования:

1. Провести исследования дешифровочных свойств исходных многозональны изображений и их производных цифровых изображений, полученных с помощью системь n-мерных спектральных признаков;

2. Разработать алгоритмы тематической классификации отображений космически изображений в n-мерном пространстве спектральных признаков для реализации процесс автоматизированного дешифрирования космических изображений;

3. Разработать с использованием стандартных средств программного комплекс ERDAS Imagine 9.2 технологию тематического дешифрирования, реализующу предложенные алгоритмы классификации космических изображений;

4. Провести сравнительный анализ результатов работы предлагаемой методик автоматизированного тематического дешифрирования объектов с уже существующим стандартными методиками;

5. Исследовать возможность использования разработанной методик автоматизированного тематического дешифрирования объектов для обработк аэрокосмических изображений, получаемых с различных космических съемочных систем.

Объект исследования: автоматизированное тематическое дешифрирование ногозональных космических изображений земной поверхности.

Предмет исследования: система п-мерных спектральных дешифровочных признаков, спользуемая для автоматизированной классификации многозональных космических зображений земной поверхности.

Методология исследования

Проведенные в диссертационной работе теоретические исследования основаны на етодах теории вероятностей и математической статистики, вычислительной математики, еории обработки цифровых изображений, методах цифрового моделирования, омпьютерной графики и ГИС-технологий. При решении поставленных задач спользовались данные о спектральных характеристиках природных образований, олучивших широкое развитие в трудах Е.Л. Кринова, Л.И. Чапурского и т.д.

Научная новизна работы заключается в следующем:

1. Разработаны новые алгоритмы и программы численных оценок п - мерных пектральных признаков природных и антропогенных объектов по материалам шогозональной космической съемки.

2. Разработана методика тематического дешифрирования многозональных осмических изображений, основанная на системе п-мерных спектральных признаков.

3. Разработана автоматизированная технология классификации многозональных осмических изображений, реализующая предложенную методику тематической бработки цифровых изображений.

Достоверность результатов подтверждается:

1. Корректным применением математических методов и вычислительных средств еории вероятностей и математической статистики, вычислительной математики.

2. Научно-методическим обоснованием выбора характеристик спектральных свойств риродных и антропогенных объектов.

Научные результаты выносимые на защиту:

1. Новые алгоритмы и программы численных оценок спектральных признаков риродных и антропогенных объектов по материалам многозональной космической ъемки.

2. Методика автоматизированного дешифрирования космических изображений земной оверхности с использованием системы п - мерных спектральных признаков.

5

3. Технология автоматизированного дешифрирования космических изображени" земной поверхности, реализующая предложенную методику.

4. Результаты тестирования разработанных алгоритмов и программ, а также и сравнительная характеристика с расчетами в аналитических и численных моделях полученными другими авторами.

Практическая значимость работы:

Предложенная методика автоматизированного тематического дешифрировани космических изображений земной поверхности с использованием системы п-мерны спектральных признаков может быть использован для задач прикладног картографирования. А именно, для создания экспресс карт, в сжатые сроки, по материала космических съемок.

Соответствие диссертации Паспорту научной специальности:

Данная работа посвящена исследованиям п - мерных спектральных признако различных классов объектов и их дешифровочных способностей, и разработке на и основе нового метода тематического дешифрирования многозональных космических изображений. Иными словами, работа посвящена разработке теоретических и практических принципов дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследований, что является одной из областей исследования специальности 25.00.34 Аэрокосмические исследования Земли, фотограмметрия, в рамках которой и предлагается к защите данная работа.

Апробация и реализация результатов исследования:

Основные положения диссертационной работы докладывались и обсуждались н 58,59,60,61,63,64 и 65 научно-технических конференциях студентов, аспирантов и молодых ученых, проводившихся в Московском государственном университете геодезии и картографии (МИИГАиК) в период с 2004-2010 г. Результаты выполненных исследований использовались при выполнении научно-исследовательских работ по тем «Географические исследования северных территорий России по материалам космических съемок» в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» (шифр 2009-1.1-154-069).

Публикации:

По результатам проведенных исследований и разработок, выполненных в процессе работы, опубликовано 3 научные работы.

Структура диссертации:

Диссертационная работа состоит из введения, 4 глав, заключения и списка литературы, оторый насчитывает 101 наименование. Объём работы 162 страницы текста, 15 таблиц, 52 ллюстрации и приложения на 23 страницах.

СОДЕРЖАНИЕ РАБОТЫ.

Во введении обоснована актуальность проблемы, сформулированы цели и задачи сследования, научная новизна и практическая значимость диссертационной работы.

Первая глава «Современное состояние тематического дешифрирования осмических изображений» посвящена обзору современного состояния тематического ешифрирования космических изображений. В настоящее время очень трудно представить шзнь человека без использования технологий дистанционного зондирования Земли (ДЗЗ). а последние несколько лет, они прочно вошли в нашу жизнь и нашли свое применение в азличных сферах деятельности человека. Однако, наиболее актуальным направлением спользования пространственной информации является мониторинг геопространственных анных (картографирование территорий). В данном процессе наиболее важную роль грают дешифровочные свойства космических снимков и точность извлечения требуемой нформации. Для повышения достоверности результатов дешифрирования объектов по осмическим изображениям все чаще используют данные многозональных гиперспектральных) сенсоров. Съемка в узких диапазонах электромагнитного спектра ает возможность выявить недоступные глазу обработчика особенности поведения бъектов при анализе привычных для визуального восприятия изображений в видимой гасти спектра. Глава содержит обзор основных современных космических систем истанционного зондирования Земли (ДЗЗ), их описание и классификацию.

Кроме того, в данном разделе, приводятся основные понятия теории распознавания бразов, принципы построения систем тематического дешифрирования.

Отдельное внимание уделяется предварительной обработке изображений, как этапу редшествующему непосредственно самому дешифрированию, с целью улучшения зобразительных свойств снимка. Так же приводится краткое описание существующих в астоящее время и активно используемых в современных системах обработки данных истанционного зондирования Земли, алгоритмов классификации изображений.

Если раньше тематическое дешифрирование выполнялось в основном с использованием визуально инструментальных методов, получивших широкое развитие в трудах таких ученых как В.И.Аковецкий, А.Т.Зверев, С.А.Сладкопевцев и др. То на фоне активного развития систем обработки данных дистанционного зондирования тематическое дешифрирование, помимо визуально-инструментальных методов, стало использовать, так же автоматизированные методы. Существует большое количество современных пакетов по обработке данных ДЗЗ, с помощью которых можно выполнять процедуру классификации объектов представленных на космическом изображении в интерактивном режиме, с непосредственным участием обработчика. Так называемая классификация с обучением. Либо же выполнять кластеризацию изображения на основе известных статистических методов и алгоритмов, таких как, например IZODATA. Но идентификацию, полученных в результате кластеризации, классов объектов будет выполнять специалист (интерпретатор). Таким образом, полностью автоматизировать процесс тематического дешифрирования пока не удалось, потому, как даже самые современные компьютерные системы вряд ли смогут полностью смоделировать возможности человечного глаза и его аналитического аппарата.

Одним из наиболее популярных и широко используемых программных пакетов для обработки данных ДЗЗ является ERDAS Imagine. Благодаря своим широким функциональным возможностям он позволяет максимально автоматизировать работу по обработке данных при отсутствии навыков программирования у обработчика.

В виду не вполне удовлетворительной достоверности результатов классификации объектов на космических изображениях на основе СКЯ природных и антропогенных образований, возникает необходимость поиска новых, более устойчивых и информативных параметров для процесса классификации и разработки методики дешифрирования космических изображений на их основе. На что и направлена данная диссертационная работа.

Вторая глава «Спектральные характеристики природных и антропогенных образований» посвящена изучению дешифровочных возможностей СКЯ природных и антропогенных образований. Раздел содержит подробное описание основных параметров, характеризующих отражательные свойства элементов ландшафта. Наиболее распространенными из них являются: яркость, коэффициент яркости, альбедо и коэффициент отражения.

Наиболее широкое развитие спектрально - отражательный методы в изучении азличного рода объектов получили в трудах Г.И. Покровского, H.A. Архангельской, B.JI. ндроникова, Е.Л.Кринова, Д.С.Орлова, Б.В.Виноградова, H.A. Михайлова, П.П. едченко, К.Я. Кондратьева и М.Е. Баумгарднера.

На основе различия в СКЯ объектов разработаны различного рода системы деления риродных и антропогенных объектов на классы. Что так же отражено в данной главе и лредставлено в виде подробного словесного и графического (раздел содержит большое (оличество графиков спектральных кривых всех описанных классов объектов) описания каждого класса объектов.

Наиболее известная и используемая в работе классификация природных и нтропогенных образований - спектрофотометрическая классификация ЕЛ. Кринова риведена на Рис.1.

Тип 1-1

почвы черноземные и супесчаные, грунтовые дорога.

Тип 1-2

почвы подзолистые, суглинистые, шоссейные дороги.

Тип Г-3

пески, различные обнажения пустыни, н ас-e горные породы.

Тип 1-4

известняк, глин^ некоторые другие наиболее светлые объекты

Тип II-1 хвойные породы л е сных н ас ажд ений в зимнее время.

Тип II-2 хвойные породы лесных насаждений в летнее время, суходольные луга и тр авяные п окр овы с недостаточно сочной растительностью.

Тип 11-3

травяные покровы с густой и сочной растительностью.

Тип Н-4

лесные насаждения в период осенней окраски и созревшие полевые культуры.

Тип Ii 1-2

свежевыпавший снег.

Тип III-S

водная поверхность.

Рис.1. Классификация природных и антропогенных объектов Е.Л. Кринова В основе большинства современных методов классификации изображения, лежат СКЯ объектов и их производные. За последние несколько десятилетий изучения спектрометрических характеристик объектов созданы целые библиотеки значений СКЯ и спектральных кривых различных природных и антропогенных образований. Исследования

показали, что спектральные характеристики объектов и их производные зависят от большого количества внешних факторов (геометрические условия освещения и природные факторы), что делает результат дешифрирования, с их использованием, зависимым от условий комосъемки. Кроме того, СКЯ различных классов объектов в различных спектральных диапазонах очень близки друг к другу, а иногда и вовсе совпадают. Поэтому дифференцировать исследуемые типы подстилающих поверхностей только лишь по СКЯ не всегда удается с достаточной степенью достоверности.

Неоднократно предпринимались попытки поиска различного рода альтернативных параметров для проведения процессов классификации, с целью повышения достоверности проводимых процедур классификации. К, подобного рода, параметрам относят линейные комбинации зональных значений СКЯ, вегетационный индекс и т.д. Все эти и многие другие параметры получили широкое развитие в трудах Д.В. Ершова, С.С Барталева, В.М. Жирина, Г.Н. Коровина, H.A. Коршунова и д.р.

Особое внимание в данной главе уделяется описанию системы n-мерных спектральных признаков, разработанной В.А. Малинниковым. В основе данного способа описания спектрально-отражательных характеристик природных и антропогенных объектов (ПАО) лежит представление об уникальности спектров отражения природных и антропогенных объектов.

В пространстве (R , Л), где R спектральная яркость объекта, а Л - длина волны зондирующего излучения, каждому природному или антропогенному объекту можно сопоставить некоторый геометрический образ, многоугольник, число сторон которого определяется количеством спектральных каналов съемки. Например, в случае обработки изображений, полученных с помощью КА SPOT - 5 (одновременно съемка осуществляется в четырех спектральных каналах), каждому объекту будет соответствовать геометрический образ в виде четырехугольника, отличающегося от других площадью, периметром, ориентацией и другими характеристиками. При обработке многозональных изображений, полученных с помощью сканера ЕТМ+ (ИСЗ Landsat-7) в семи спектральных каналах, каждому объекту будет соответствовать геометрический образ в виде многоугольника с количеством сторон равным семи и т.д. Таким образом, можно сколько угодно расширять признаковое пространство, используя все имеющиеся каналы многозонального изображения, а не ограничиваться только двумя каналами, как при работе с вегетационным индексом.

Система n-мерных спектральных признаков, рассчитываемых в пространстве { R, Л }, представляет собой следующий набор параметров: (1)

s = р^ик,-я,„)'+(«,-й„,)г), J,Л.Yt&zAoXltMi+JAi

1=1 2 ,-i 6 (-i 6

де Я„,Л„, - радиусы вписанной и описанной окружности (или меньшая и большая тороны минимального по площади многоугольника) вокруг спектрального ногоугольника, характеризующего геометрический образ ПАО в пространстве (R, Л), ,L - площадь и периметр спектрального многоугольника, JX,JK, - статистические оменты инерции многоугольника в исходной системе координат, п - число вершин пектрального многоугольника, равное числу спектральных каналов съемки, R -ормированный СКЯ исследуемого объекта.

Проведенные исследования показали, что использование данной системы возможно при выполнении следующих условий космической съемки объектов: высота Солнца в иапазоне 0 -50°, угол визирования в пределах 0 - 40°.Таким образом, рассматриваемая истема спектральных признаков природных образований, более устойчива к воздействию азличного рода внешних факторов и пригодна для классификации природных и антропогенных образований по их космическим изображениям.

Третья глава «Разработка методики автоматизированного дешифрирования космических изображений земной поверхности с использованием системы п-мерных спектральных признаков» посвящена разработке методики автоматизированного ематического дешифрирования космических изображений земной поверхности с использованием системы п- мерных спектральных признаков.

На начальном этапе исследования был проведен анализ дешифровочной способности серии изображений полученных на основе системы n-мерных спектральных признаков по исходному многозональному изображению и схожести их поведения при одинаковых условиях съемки. В обработке использовалось более ста многозональных изображений с KA Landsat -7 (ЕТМ+). Целью данного эксперимента является исследование поведения следующих групп объсктоъ'А-гидрография, 2-антропогенные объекты (городская застройка/дороги), Ъ-почвы, 4-растительность высокорослая (хвойный и лиственный лес),5- растительность низкорослая (луговая).

Для каждого типа объектов путем визуально инструментального дешифрирования, с использованием априорной информации о районе интереса, были набраны массивы значений СКЯ в шести спектральных диапазонах 500,550,650,800,1600 и 2250 нм. В результате чего, были получены таблицы для каждого типа объектов содержащие значения СКЯ и значения n-мерных спектральных признаков, рассчитанных для них.

Как было сказано ранее, используемая система n-мерных спектральных признаков не накладывает ограничений на количество каналов многозонального изображения используемого для обработки. Поэтому, в рамках исследования использовались три отличных друг от друга набора каналов съемки: L, - 500 нм, 550 нм, 650 нм, 800 нм, 1600 нм, 2250 нм; ¿2 - 500 нм, 550 нм, 650 нм, 800 нм; L} - 650 нм ,800 нм, 1600 нм, 2250 нм.

Для разделения объектов между собой чаще всего используют перемену знака одного из параметров, по которому ведется классификация объектов, кроме того, используется различие параметров по абсолютной величине. На начальном этапе исследования был выполнен анализ знакопостоянства полученных производных изображений на основе системы n-мерных спектральных признаков для каждого из выделяемых классов объектов.

Обобщением результатов проделанной работы стала таблица знакопостоянства, с которой более подробно можно ознакомиться в диссертационной работе.

Различие в значениях признака, а точнее в его знаке одного и того же признака для разных типов объектов дает возможность отделить один класс объектов от другого и тем самым выполнить дешифрирование всего изображения целиком.

На основе полученных экспериментальных данных был разработан алгоритм выделен объектов, который положен в основу методики распознавания природных и антропогенн' объектов приведенной на Рис.2. Алгоритм состоит из пяти этапов.

Этап 1. Данный этап предполагает ввод исходных данных, их последующую нормировку и формирование трех наборов многозональных изображений с различной комбинацией спектральных каналов (Lx, L2 и ¿3).

Этап 2. На основе полученных, на предыдущем этапе, данных выполняется построение ряда вспомогательных изображений, которые будут участвовать в создании изображений на основе системы n-мерных спектральных признаков.

А именно: (2)

где 5 - площадь спектрального многоугольника; L - периметр спектрального многоугольника; J„ - статистический момент инерции многоугольника, относительно осей X и R соответственно; п - число вершин спектрального многоугольника; R -нормированный СКЯ.

ЭтапЗ. На данном этапе выполняется построение десяти производных изображений на основе системы n-мерных спектральных признаков для каждого из трех исходных отнормированных изображений полученных на первом этапе. Формулы расчета, которых приведены ниже. (3)

где Rw,Ro- радиус вписанной и описанной окружности (или меньшая и большая сторона минимального по площади многоугольника) соответственно.

Этап 4. После выполнения всех предварительных этапов и построения всех дополнительных изображений реализуется расчет масок объектов. В предлагаемом алгоритме, реализованы процедуры выделения следующих классов объектов:

Класс 1 - гидрография

Класс 2 - антропогенные объекты и почвы (класс 2.1 - почвы, класс 2.2 -антропогенные объекты).

Класс 3 - растительный покров (класс 3.1 - низкорослая растительность (луг), класс 3.2 - высокорослая растительность (хвойный и лиственный лес)).

По причине сильной корреляции спектральных характеристик объектов входящих во второй и третий классы объектов, было принято решение проводить выделение трех классов объектов на первом этапе. А за тем уже делить каждый из них на более мелкие подклассы.

• Гидрография (obi 1)

obj _ 1 = Slep{Pl (4 к _ 2)) - Step(Ps (4 к _ 1)), (4)

где Step — функция перевода изображения в тематическое (присвоение всем отрицательным значениям на изображении 0, а всем положительным 1); Р,(4к_2)- признак Pt для последних четырех каналов съемки - набор £,; />g(4/c_l) — признак Р8 для первых четырех каналов съемки ¿2.

• Антропогенные объекты и почвы (odj 2)

obj_2 = B-obj_\ (5)

В = Step(-NDVI(Äj), А = Step(S(4K_2)) • img,

где img — исходное многозональное изображение с КА Landsat (ЕТМ+); S(4k_2)-изображение площади, полученное на втором этапе работы алгоритма, для последних четырех каналов съемки - набор £,; NDVI - нормализованный разностный вегетационный индекс.

• Почвы (obj_2.1)

obj _2Л = MIN {В - obj _ 1) (6)

В = Step(-NDVI(A)), А = Siep(S(4K_ 2)) • img,

где MIN - минимизирующий фильтр (стандартное средство оконной обработки программного пакета ERDAS Imagine 9.2).

• Антропогенные объекты (obj_2.2)

obj _22 = B-obj _\-obj _2.\ (7)

В = Step(rNDVI(Ä)), А = Äep(5(4jc_2))• img.

• Растительность (obi 3)

• Низкорослая растительность (луговая растительность) (obj_3.1)

где Р,(6к)~ признак для шести каналов съемки - набор Р,{(>к)- признак РА для шести каналов съемки - набор £,;

• Высокорослая растительность (хвойный и лиственный лес) (оЬ]_3.2).

где Я9(4/с_1)- признак Рч для первых четырех каналов съемки - набор 1г\ Р8(4к_2)-признак Р8 для последних четырех каналов съемки - набор Ь,;

Для избежания появления ошибок первого и второго рода, в ходе классификации изображения, начиная с выделения класса объектов выполняется вычитание ранее

полученных объектов. Так в случае с выделением объектов почвенного покрова происходит вычитание полученных ранее объектов гидрографии. Потому как, считается, что объекты гидрографии выделены с большей степенью вероятности, нежели объекты, принадлежащие к классу почв. Аналогичным образом происходит устранение ошибок

obj_3.1 = STEP(254-Pl(6k)-P4(6k))- obj_\-obj_2- obj_3,

(8)

obj_3.2 = STEP(P9(4k_ 1) • P,(4k_2))- obj_4-obj_3- obj_2,

(9)

первого и второго рода в оставшихся классах объектов.

Рис.2. Общая схема методики распознавания природных и антропогенных объектов с использованием системы n-мерных спектральных признаков

Этап 5. Заключительный этап - это оформление результатов классификации, т.е. формирование единого растрового изображения. На данном этапе выполняется объединение полученных, на предыдущем этапе, масок объектов и присвоение им значений в соответствии с номером класса объектов: 0 - не классифицированные объекты; 1 - гидрография; 2 - антропогенные объекты; 3 - почва; 4 - низкорослая растительность (луговая растительность); 5 - высокорослая растительность (хвойный и лиственный лес).

Специально созданный файл - классификатор, содержащий информацию о цвете каждого из классов объектов color.dat позволяет открывать полученные изображения уже в соответствующей каждому объекту цветовой гамме.

Для оценки достоверности полученных результатов выполняется сравнение результатов предлагаемой методики с результатами визуально инструментального

дешифрирования, выполненного на основе априорной информации о районе интереса, с использованием коэффициента взаимного соответствия К(АВ), вычисляемого по формуле:

ямдаад (10)

V H {AB)

где Н(А),Н(В),Н(АВ)- количество точек на изображении отнесенных к выделяемому классу в результате схемы выделения объектов по диапазонам яркостей эталонного снимка, схемы визуально-инструментального дешифрирования и их совмещенного изображения.

На базе программного комплекса ERDAS 9.2 разработана технология реализации предлагаемой методики автоматизированного тематического дешифрирования космических изображений. Стандартными средствами модуля Modeler создан набор процедур (скриптов), результатом выполнения каждой из которых, является набор выходных данных по каждому из пяти этапов. На Рис.3, приведена блок схема процесса распознавания объектов.

Четвертая глава «Экспериментальные исследования и применение разработанной технологии» посвящена экспериментальным исследованиям и применениям разработанной технологии на основе ранее описанной методики автоматизированного тематического дешифрирования космических изображений земной поверхности с использованием системы п - мерных спектральных признаков.

С целью экономии времени, результаты исследования приведены на примере изображения с КА Landsat-7 (ЕТМ+) на территорию Пермского края.

Согласно технологической схемы, состоящей из пяти этапов, приведенной на Рис.3. выполняется обработка данного космического изображения.

В интерактивном режиме пользователь задает исходное многозональное изображение (6 каналов), для которого выполняется расчет. После чего производится нормировка данного изображения на максимальное значение яркости, для изображения с радиометрическим разрешением 8 bit это значение равно 255. Затем, происходит формирование трех наборов многозональных изображений с различной комбинацией спектральных каналов ( £, ,1г и L, ).

Более подробное описание комбинации каналов для каждого из наборов приведено выше.

Рис.3. Технологическая схема процесса распознавания природных и антропогенных объектов с использованием системы n-мерных спектральных признаков реализованная в программном комплексе ERDAS Imagine 9.2 Далее обработка для каждого полученного изображения выполняется отдельно. Алгоритм одинаков для всех трех изображений.

Результатом работы на первом этапе являются три отнормированных изображения, приведенных на Рис.4.

Рис.4. Группа отнормированных изображений полученных на первом этапе: а - набор ; б - набор Ь2; в - набор Ь, Рассмотрим реализацию второго этапа обработки на примере многозонального изображения с набором каналов ¿,.

На данном этапе выполняется расчет следующих величин: RI,,R0- радиусы вписанной и описанной окружности (или меньшая и большая стороны минимального по площади многоугольника) вокруг спектрального многоугольника; £,£■ - периметр и площадь

спектрального многоугольника; J¡,JЛ- статистические моменты инерции спектрального многоугольника относительно оси X и Я. Результат построения серии изображений приведен на Рис.5.

Используя полученные изображения, на следующем этапе, выполняется расчет производных изображений на основе системы п - мерных спектральных признаков для каждого из трех многозональных изображений.

Аналогичным образом выполняется расчет для остальных наборов 12 и Ьг.

Jí Л

Рис.5. Группа изображений полученных на втором этапе для набора каналов Рассмотрим реализацию третьего этапа обработки на примере изображения с набором каналов Ц(Рис.6.). После того, как все предварительные этапы были выполнены, переходим к непосредственному выделению объектов, а именно к расчету масок объектов. Более подробно алгоритм расчета масок объектов приведен выше (см. главу 3), результат расчета приведен на Рис. 7.

Заключительным этапом обработки данных, входящим в состав разработанной методики, является оценка достоверности полученных результатов. Принимая результаты визуально инструментального дешифрирования, с использованием априорной информации о районе интереса, за эталон, сопоставляем результаты работы двух алгоритмов и получаем некоторый коэффициент взаимного соответствия, характеризующий корреляцию изображаемых на снимках объектов.

i V •• ' i щ

Ш si., <

Ы

Л

Р Я

9 МО

Рис. 6. Гоуппа изображений полученных на третьем этапе для набора каналов ¿, Необходимо отметить, что визуально инструментальное дешифрирование было выполнено стандартными средствами программного комплекса ERDAS Imagine 9.2 (Classification), по средствам классификации с обучением. На основе имеющейся | априорной информации о территории интереса. А именно, на основе имеющихся (топографических карт (масштаба 1: 100 000) района интереса (Рис.8.), материалов наземного обследования и результатов тематической обработки прошлых лет.

Оценка результатов выполненной классификации по трем и пяти классам приведена в таблице 1 и таблица 2.

В ходе проведения экспериментальных исследований на предмет достоверности полученных результатов возникла необходимость сравнительного анализа, результатов выделения объектов растительного покрова, средствами разработанной методики и уже

давно существующими и широко применяемыми методами. Одним из таких методов является расчет вегетационного индекса.

оЬ)_ 1 оЬ]_2.1 оЬ]_2.2 оЬ']_ЗЛ

гидрография - почвы

■ - антропогенные объекты К- низкорослая растительность (луговая)

■ - высокорослая растительность (лиственный и хвойный лес)

Рис. 7. Результат выделения пяти классов объектов

оЪ]_3.2 Единое изображение

Рис.8. Топографическая карта масштаба 1:100 ООО на территорию области интереса

Таблица I.

Достоверность вшдгяения трех классов объектов

Классы об. Выделение, %

Гидрография 98

Антропогенные об-ты и почва 66

Раститеп ьность 88

Таблица 2. Достоверность выделения пяти классов объектов

Классы об. Выделение, %

Гидрография 98

Почва 40

Антропогенные об-ты 64

Низкорослая рас-ть 80

Высокорослая рас-ть 86

Для проведения сравнительного анализа, из всего многообразия разновидностей вегетационных индексов был выбран самый распространенный и широко используемый, нормализованный разностный вегетационный индекс (КОУ!).

NDyi = P*-P* = RV1-l Рк + Р,< W + 1

СО

Известно, что использование вегетационного индекса накладывает ряд ограничений. Одним из таких ограничений является процентное соотношение растительности на ! изображении. Считается, что выделение растительности с использованием вегетационного I индекса дает наиболее хорошие результаты, только в том случае, если величина растительного покрова на исследуемой территории составляет не менее 30%. Проведенные исследования показали, что те изображения процентное соотношение растительности на которых составляет больше 60%-70% по результатам применения предложенной методики дают результаты близкие к результатам обработки с применением вегетационного индекса. В то время, как при малом процентном соотношении растительности на изображении результаты выделения посредствам предлагаемой методики выше чем у вегетационного индекса. Результаты выделения объектов растительности обоими упомянутыми методами приведены на Рис.9.

Рис.9. Результат выделения объектов растительности ( а- предлагаемым методом; б- расчет NDV1; в- выделения объектов растительности стандартными средствами

ERDAS Imagine 9.2)

Результаты выделения объектов растительности по средствам реализации предлагаемого алгоритма и расчета нормализованного вегетационного индекса NDVI приведены в таблице 3.

Расчет достоверности выделения объектов растительного покрова обоими методами был выполнен уже упомянутым выше способом, с использованием формулы 10.

Табпща 3

Достоверность выделения объектоврастиупелъности.

Класс объектов Выделение

Предлагаемый алгоритм, % NDV/,%

Растительность 88 72

Разработка методики автоматизированного дешифрирования космических изображений | земной поверхности с использованием системы n-мерных спектральных признаков основывалась на использовании изображений с KA Landsat-7 (ЕТМ+). Исследования ¡ показали, что данная методика пригодна для использования ее при обработке данных с других КА, таких как, например, ASTER. Для этого необходимо лишь уточнить пороговые ( значения алгоритма принятия решений, для каждого конкретного спутника в отдельности. ¡ Чаще всего, подобного рода, доработки необходимы из-за различного числа каналов КА и ¡ их спектральных диапазонов, а так же радиометрического разрешения каждого конкретного изображения. Результат применения разработанной методики, а именно, выделения высокорослой растительности (хвойный и лиственный лес), для изображений с разных КА приведен на Рис.10. В качестве области интереса выступает территория США штат Maryland, а - Landsat -7 (ЕТМ+) - 18 июля 2002г, б-TERRA (ASTER) - 18 июля 2002г.

Данные с КА Landsat - 7 (ЕТМ+) с пространственным разрешением 30 м - 60 м рекомендуют для обновления и создания топографических карт масштаба 1:200 000 и мельче. Результаты тематической обработки данных с КА Landsat - 7 (ЕТМ+) | предлагаемым алгоритмом автоматизированного дешифрирования космических | изображений земной поверхности с применением системы n-мерных спектральных | признаков могут быть использована для создания электронной экспресс карты {Рис.11.). |

Анализируя изображения с различных КА можно выявить два типа подстилающих поверхностей: так называемые «чистые» классы объектов и объекты с вкраплениями. !

К «чистым» классам объектов относят такие как, например: вода, ненарушенные ^ лесные массивы и т.д. Что же касается объектов с вкраплениями, то это наиболее часто

встречающийся тип объектов. К нему относятся такие объекты как, вода в сочетании с i

¡

растительным покровом - болото или почва с незначительной растительностью на ее поверхности. Наличие подобного рода объектов на изображении существенно осложняет процесс идентификации объектов на изображении. |

В случае «чистых» объектов разработанная методика дает максимальное значение достоверности выделяемых объектов. В противном же случае достоверность распознавания объектов уменьшается.

обработки данных созданной на основе данных с КА Landsat - 7 (ЕТМ+)

Для того чтобы добиться повышения достоверности выделения этих объектов I необходимо несколько трансформировать процесс выделения объектов, разделив его на два этапа. На первом этапе проводится выделение объекта целиком, со всеми имеющимися вкрапления.

Далее, на втором этапе выполняется обработка только выделенного класса объектов, путем перехода к анализу многозональных КА с более высоким пространственным разрешением и повторению процедуры распознавания.

В заключении сформулированы выводы по результатам проделанной работы:

1 Разработана методика автоматизированного тематического дешифрирования космических изображений на основе систем n-мерных спектральных признаков.

2 Разработана и реализована технология автоматизированного тематического дешифрирования космических изображений на основе систем n-мерных спектральных признаков, с использованием стандартных средств программного комплекса ERDAS Imagine 9.2.

3 Предлагаемая методика автоматизированного тематического дешифрирования природных и антропогенных объектов на основе системы n-мерных спектральных признаков позволяет увеличить достоверность распознавания объектов: площадная гидрография - 90-95 %, «чистая растительности» - 75-80%, антропогенные и почвы - 60-63%.

4 Предлагаемый метод выделения объектов растительного покрова при малом процентном содержании этих объектов, относительно остальных содержащихся на изображении дает более высокие результаты по сравнению с алгоритмами, использующими вегетационный индекс.

5 Разработанная методика может быть использована для обработки данных с других КА, отличных от Landsat-7 (ЕТМ+) при условии уточнения пороговых значений, алгоритма принятия решений.

6 В качестве практического применения разработанной технологии автоматизированного дешифрирования предлагается использовать ее для создания электронных экспресс карт на основе «свежих» космических снимков, для использования в навигационных целях и для принятия оперативных решений в критических ситуациях при полном или частичном отсутствии картографических материалов на территорию интереса.

СПИСОК РАБОТ, В КОТОРЫХ ОПУБЛИКОВАНЫ ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ.

1. Феофилактова Т.В, Борисова М.В. Алгоритм выделения объектов гидрографии на основе изображений, полученных по нелинейным спектральным признакам. //Изв.вузов «Геодезия и аэрофотосъемка».- 2009. - №6 (перечень ВАК). - С. 91-96.

2. Феофилактова Т.В, Борисова М.В. Использование модуля Modeler программы ERDAS Imagine 9.2 для автоматизации процесса дешифрирования объектов на основе нелинейных спектральных признаков. II Изв.вузов «Геодезия и аэрофотосъемка»,- 2010.-№6 (перечень ВАК). - С.

3. Феофилактова Т.В, Борисова М.В. Опыт тематической обработки многозональных изображений на основе нелинейных спектральных признаков.// Инновационные технологии в экологии: межвузовый сборник научных трудов студентов, аспирантов и молодых ученых московского региона. - 2008 - С. 21-27.

Подписано в печать 28.10.2010. Гарнитура Тайме Формат 60*90/16. [ЦБумага офсетная. Печать офсетная. Объем 1,5 усл. печ. л. Тираж 80 экз. Заказ №257 Цена договорная

Отпечатано в типографии МИИГАиК 105064, Москва, Гороховский пер., 4

Содержание диссертации, кандидата технических наук, Борисова, Мария Вячеславовна

введение.

глава 1. современное состояние тематического дешифрирования космических изображений.

1.1 Проблемы тематической обработки космических изображений.

1.2 Современные системы дистанционного зондирования Земли.

1.3 Основные алгоритмы и используемые программные продукты для тематической обработки данных дистанционного зондирования Земли.

1.3.1 Основные понятия теории распознавания образов.

1.3.2 Принципы построения систем распознавания образов.

1.3.3 Предварительная обработка изображений.

1.3.4. Алгоритмы классификации изображения.

Выводы к первой главе.

глава 2. спектральные характеристики природных и антропогенных образований.

2.1 Основные характеристики природных и антропогенных образований.

2.2 Отражательные спектральные характеристики различных типов подстилающей поверхности.

2.2.1 Общепринятое деление природных объектов на классы.

2.2.2 Спектральные характеристики растительности.

2.2.3 Спектральные характеристики почв.

2.2.4 Спектральные характеристики водных объектов и снега.

2.3 Оценка информативности СКЯ. Интегральные показатели.

2.4 Система п- мерных спектральных признаков.

2.5 Устойчивость системы п-мерных спектральных признаков к воздействию внешних факторов.

-.■••■

Выводы ко второй главе.

глава 3. разработка методики автоматизирован -ного дешифрирования космических изображений земной поверхности с использованием системы 11мерных спектральных признаков.

3 .1 Общее описание разрабатываемой методики.

3.2 Методика автоматизированного дешифрирования космических изображений земной поверхности с использованием системы п-мерных спектральных признаков.

3.3 Количественная оценка полученных результатов.

3.4 Средства реализации, предлагаемой методики.

Выводы к третьей главе.

глава 4. эксперементальные исследования и применение разработанной технологии.

4.1 Характеристика материалов эксперимента и применение разработанной методики выделения объектов.

4.2 Сравнение полученных результатов: с уже существующими методиками дешифрирования.

4:3 Применение предлагаемой методики; дешифрирования космических изображений с других КА.

4.4 Применение разработанной технологии для создания электронных экспресс карт.

Выводы к четвертой главе.

Введение Диссертация по наукам о земле, на тему "Разработка методики автоматизированного дешифрирования космических изображений земной поверхности с использованием системы n-мерных спектральных признаков"

В настоящее время широкое развитие получили космические системы дистанционного зондирования Земли (ДЗЗ). За всем происходящим на ее поверхности ежесекундно наблюдают сотни спутниковых систем с различного рода разрешением и спектральным диапазоном, каждая из которых решает определенные природно-ресурсные задачи. Обработка данных дистанционного зондирования достаточно трудоемкий процесс, он состоит из нескольких этапов предварительной, первичной и вторичной (тематической) обработки. Получение информации об объектах местности по материалам космических съемок для выполнения различного рода тематической обработки выполняется на этапе дешифрирования. Тематическое дешифрирование аэрокосмических изображений для задач мониторинга и картографирования традиционно опирается на визуально инструментальные и автоматизированные методы. Следует отметить, что процесс визуально инструментальной обработки весьма трудоемок и субъективен. При этом сроки выполнения и качество полученной информации определяются- главным образом общей эрудицией и квалификацией специалистов, уровнем развития у них профессионально необходимых психофизических качеств, а главное опытом. Действительно, возможности человеческого глаза и его аналитического аппарата, вряд ли можно полностью смоделировать даже самыми современными компьютерными системами. Поэтому вполне объяснимо стремление к максимальной автоматизации процесса обработки аэрокосмической информации.

В настоящее время, существует большой' опыт автоматизированной обработки и анализа цифровых изображений. Часть этих методов реализована и успешно применяется в процессе интерактивного дешифрирования космической информации. Но в большинстве своем все они основываются на спектральных характеристиках и их производных природных и антропогенных образований, которые, в свою очередь, очень не устойчивы к различным внешним воздействиям. А потому, одной из главных задач ученых в данном направлении является поиск таких прямых и косвенных дешифровочных признаков, при которых результат автоматизированного дешифрирования будет наиболее устойчив к изменениям условий аэрокосмической съемки исследуемых объектов на земной поверхности.

На фоне широкого развития данной области в последнее десятилетие, значительное развитие получило программное обеспечение для обработки изображений. Классификация многозональных космических изображений в большинстве программных пакетов, таких как Erdas Imagine, ENVI, EDRISIW, Er Mapper и т.д.выполняется в интерактивном режиме, что приводит к увеличению трудоемкости и зависимости полученных результатов не только от условий съемки, но и от опыта и навыков специалиста. Но, каким бы хорошим не был специалист и какими бы хорошими не были условия съемки, спектральные характеристики природных образований не всегда позволяют ему однозначно разделить два объекта между собой. Это связано с тем, что спектральные кривые могут накладываться друг на друга в различных диапазонах спектра, что приводит к ошибочному распознаванию классифицируемых объектов. В связи с этим, одной из главных задач ученых в этом направлении является поиск параметров, используемых в процессе дешифрирования объектов, наименее подверженных воздействиям из' вне, с целью разработки на их основе более устойчивых алгоритмов дешифрирования объектов.

Для того чтобы уменьшить подобного рода ошибку и повысить достоверность результатов классификации объектов на космических снимках, были выполнены исследования по оценке информативности изображений на основе системы n-мерных спектральных признаков, полученных по серии зональных изображений и разработана методика^ автоматизированной тематической обработки космических изображений на их основе.

Актуальность диссертационной работы, обусловлена:

• Необходимостью повышение достоверности результатов классификации объектов и ускорение процесса тематического дешифрирования цифровых изображений земной поверхности;

• Необходимостью разработки соответствующих автоматизированных технологий тематической обработки космических изображений.

Цель исследования: разработка методики и технологии автоматизированной тематической обработки многозональных космических изображений земной поверхности на основе системы n-мерных спектральных признаков.

Для достижения поставленной цели были сформулированы конкретные научные задачи, решаемые в данной диссертационной работе:

• Провести исследования дешифровочных свойств исходных многозональных изображений и их производных цифровых изображений, полученных с помощью системы n-мерных спектральных признаков;

• Разработать алгоритмы тематической классификации отображений космических изображений в n-мерном пространстве спектральных признаков для реализации процесса автоматизированного дешифрирования космических изображений;

• Разработать с использованием стандартных средств программного комплекса ERDAS Imagine 9.2 технологию тематического дешифрирования, реализующую предложенные алгоритмы классификации космических изображений;

• Провести сравнительный анализ результатов работы предлагаемой методики автоматизированного тематического дешифрирования объектов с уже существующими стандартными методиками;

• Исследовать возможность использования разработанной методики автоматизированного тематического дешифрирования объектов для обработки аэрокосмических изображений, получаемых с различных космических съемочных систем.

Результаты исследований изложены в четырех главах.

В первой главе рассматривается состояние тематического дешифрирования космических изображений на сегодняшний день. Глава содержит обзор основных современных космических систем дистанционного зондирования Земли (ДЗЗ), их описание и классификацию. В данном разделе приводятся основные понятия теории распознавания образов, а так же принципы построения систем тематического- дешифрирования. Отдельное внимание уделяется вопросам предварительной обработки изображений как этапу предшествующему непосредственно самому дешифрированию, с целью улучшения изобразительных свойств снимка.

Во второй главе рассмотрены информативные возможности спектральных характеристик природных и антропогенных образований. Подробно описаны основные параметры, характеризующие отражательные свойства элементов'ландшафта, а так же наиболее известная и используемая в •данной работе классификация природных образований: — спектрофотометрическая классификация Е.Л. Кринова. Раздел содержит анализ информативности классических параметров, характеризующих отражательные свойства объектов, а также изучение возможных альтернатив некоторых интегральных параметров, призванных увеличить информативность спектральных характеристик объектов с целью повышения- достоверности проводимых процедур классификации.

Третья глава посвящена разработке методики и технологии автоматизированного тематического дешифрирования космических изображений земной поверхности с использованием* системы п- мерных спектральных признаков. . ■ ■

Четвертая, глава;, посвящена экспериментальным , исследованиям и применениям разработанной; технологии на основе ранее описанной методики автоматизированного тематического дешифрирования космических изображений земной поверхности с использованием системы п-мерных спектральных признаков.

Научная новизна работы заключается в следующем:

• Разработаны новые алгоритмы и программы численных оценок п - мерных спектральных признаков природных и антропогенных объектов по материалам многозональной космической съемки.

• Разработан метод тематического дешифрирования многозональных космических изображений, основанный на системе п-мерных спектральных признаков.

• Разработана автоматизированная технология классификации многозональных космических изображений, реализующая предложенный метод тематической обработки цифровых изображений.

Достоверность результатов подтверждается:

• Корректным применением математических методов и вычислительных средств теории вероятностей и математической статистики, вычислительной математики.

• Научно-методическим обоснованием, выбора характеристик спектральных свойств природных и антропогенных объектов.

На защиту выносятся следующие разработки и результаты:

• Новые алгоритмы и программы численных оценок спектральных признаков природных и антропогенных объектов по материалам многозональной космической съемки.

• Методика автоматизированного дешифрирования космических изображений земной поверхности с использованием системы п - мерных спектральных признаков.

• Технология автоматизированного ^ дешифрирования космических изображений земной поверхности, реализующая предложенную методику.

• Результаты тестирования разработанных алгоритмов и программ, а также их сравнительная характеристика с расчетами в аналитических и численных моделях, полученными другими авторами.

Апробация работы

Основные положения диссертационной работы докладывались и обсуждались на 58,59,60,61,63,64 и 65 научно-технических конференциях студентов, аспирантов и молодых ученых, проводившихся в Московском Государственном университете геодезии и картографии (МИИГАиК) в период с 2004-2010 г. Результаты выполненных исследований использовались при выполнении научно-исследовательских работ по теме «Географические исследования северных территорий России по материалам космических съемок» в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» (шифр 2009-1.1-154-069).

По результатам проведенных исследований и разработок, выполненных в процессе работы, опубликовано 3 научных работы.

Диссертационная работа состоит из введения, 4 глав, заключения и списка литературы, который насчитывает 101 наименований. Объём работы 162 страниц текста, 15 таблиц, 52 иллюстраций и приложения на 23 страницах.

Заключение Диссертация по теме "Аэрокосмические исследования земли, фотограмметрия", Борисова, Мария Вячеславовна

Основные результаты и выводы работы заключаются в следующем.

1 Разработана методика автоматизированного тематического дешифрирования космических изображений на основе систем п-мерных спектральных признаков.

2 Разработана и реализована технология автоматизированного тематического дешифрирования космических изображений на основе систем п-мерных спектральных признаков, с использованием стандартных средств программного комплекса ERDAS Imagine 9.2.

3 Предлагаемая^ методика автоматизированного тематического дешифрирования природных и антропогенных объектов на основе системы п-мерных спектральных признаков позволяет увеличить достоверность распознавания объектов: площадная гидрография - 90-95 %, «чистая растительности» - 75-80%, антропогенные и ¡почвы — 60-63%.

4 Предлагаемый метод выделения объектов растительного покрова при малом процентном содержании этих объектов, относительно остальных содержащихся на изображении дает более высокие результаты по сравнению с алгоритмами, использующими вегетационный индекс.

5 Разработанная методика может быть использована для обработки других-данных с КА, отличных от Landsat-7(ETM+) при условии уточнения пороговых значений, алгоритма принятия решений.

•6 В качестве практического применения разработанной технологии автоматизированного дешифрирования предлагается использовать ее для создания электронных экспресс карт на основе «свежих» космических снимков, для использования в навигационных целях и для принятия оперативных решений в критических ситуациях при полном или частичном отсутствии картографических материалов на территорию интереса.

ЗАКЛЮЧЕНИЕ

Разработана методика автоматизированной дешифрирования космических изображений земной поверхности с использованием систем п-мерных спектральных признаков

Представленная диссертационная работа содержит исследования и разработки автора, которые можно рассматривать как решение актуальной научной задачи, посвященной разработке методики, алгоритмов и программ тематической обработки космических изображений.

Библиография Диссертация по наукам о земле, кандидата технических наук, Борисова, Мария Вячеславовна, Москва

1. Аковецкий В.И. Дешифрирование снимков.- М.: Недра, 1983.

2. Алексеев A.C., Пяткин В.П. и др. Автоматизированная обработка изображений природных комплексов Сибири.—Новосибирск: Наука, 1988.— 173 с.

3. Андреевой H.JI. Использование космических снимков для обновления топографических карт.// Геодезия и аэрофотосъемка. №3.,2009 - С.61-63.

4. Бакут П.А., Колмогоров Г.С. Сегментация изображений: Методы выделения границ областей. // Зарубежная радиоэлектроника. №10., 1987. - С.25-47.

5. Бирюков B.C., Новоселов Д.И. О признаках и процессе топографического дешифрирования: аэрофототопография. // Геодезия и картография. №5.,2005. - С. 20-25 : ил.

6. Брызов Б.Е., Коваленко А.Н., Военная топография: Для курсантов военных подразделений.-2-е изд.,перераб. и доп. М.: Воениздат.,1990. -224с.:ил.

7. Брюханов A.B., Господинов Г.В., Книжников Ю.Ф.,Аэрокосмические методы в аэрокосмических исследованиях. — М.:МГУ,1982.

8. Валеев С.Г Регрессионное моделирование при обработке наблюдений. — М:: Наука, 1991. -272 с.

9. Виноградов Б.В. Аэрокосмический мониторинг экосистем. М.: Наука, 1984. - 320 с.

10. Викторов C.B., Востокова Е.А., Вышивкин Д.Д. Введение в индикационную геоботанику. — М.: МГУ, 1962. 227 с.

11. Востокова Е.А., Сущеня В.А., Шевченко JI.A. Экологическое картографи-рование на основе аэрокосмической информации. — М.: Недра, 1988. -223 с.

12. Вуклов Э.А., Основы статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов STATISTICA и EXCEL. М.:ФОРУМ:ИНФРА-М, 2004. - С. 283 -289.

13. Гарбук C.B., Гершензон В.Е. Космические системы дистанционного зондирования Земли. — М.: Издательство А и Б, 1997. — 296 е., ил.

14. Гимельфарб Г.Л. Аппаратные средства и особенности программного обеспечения диалоговой цифровой обработки изображений.// Зарубежная радиоэлектроника. № 10, 1985. - С.87-128.

15. Голубева Е. И., Капица А. П., Кравцова В. И. и др. Экология Севера: дистанционные методы изучения нарушенных экосистем: На примере Кол. полуострова — М.: МГУ, Геогр. фак.

16. Гренандер У. Лекции по теории образов. Т.1. Синтез образов. М.: Мир, 1979.

17. Гренандер У. Лекции по теории образов. Т.2. Анализ образов. — М.: Мир, 1981.

18. Грузман И.С., Киричук B.C., Перетягин Г.И., Спектор A.A. Цифровая обработка изображений в информационных системах: Учеб. Пособие для студентов V курса РЭФ. — Н.:2000. —166 с.

19. Данджермонд Д. ARC/INFO самая мощная ГИС в мире. // ARCREVIEW Современные геоинформационные технологии. - № 1, 1997.

20. Дейвис Ш.М., Ландгребе Д.А., Филлипс Т.Л. и др. Дистанционное зондирование: количественный подход / Под ред. Ф. Свейна и III. Дейвис. / Пер. с англ. — М.: Недра, 1983. 415 с. — Пер. изд. США, 1978. - 396 с.

21. Дж.Ту,Р.Гонсалес. Принципы распознавания образов./ Перевод с англ.: И.Б. Гугеевича. / Под ред.: Ю.И. Журавлева. М.: Мир, 1978.

22. Дуда Р., Харт П. Распознавание образов и анализ сцен./ Перевод с англ.: Вайштейна Г.Г., Васьковского A.M. / Под ред.: Стефанюка В.Л. — М.: Мир, 1976.

23. Дьяченко JI.H. Распределение отношения альбедо системы к альбедо подстилающей поверхности по территории Советского Союза.// Труды Главной геодезической обсерватории (Труды ГТО). — вып. 331, 1975. — С.86-92.

24. Дюран Б. и Оделл П. Кластерный анализ./ Пер. с англ. Е.З. Демиденко. / Под ред. Боярского А. Я. Предисловие Боярского А. Я. М.: Статистика, 1977.- 128 с.сил.

25. Жуков Б.С. Физические основы дистанционного зондирования. // Исследование Земли из космоса, том 1 (Итоги науки и техники, ВИНИТИ АНСССР). М., 1987. - С. 6 - 78.

26. Жуков В.В., Егоров С.Б. В сб.: Многозональные аэрокосмические съемки Земли. -М., 1981. С.203-210.

27. Журкин И.Г., Мишин И.В. Моделирование изображений участков земной поверхности с сильно выраженным рельефом.// Исследования Земли из кос-моса. №4., 1994. - С.25-36.

28. Журкин И.Г., Мишин И.В. О месте ГИС среди автоматизированных информационных систем.//Геодезия и аэрофотосъемка. —№5., 1997. — С. 73-79.

29. Ильин Ю.А., Феофилактова Т.В., Солоха А.Ф. Теоретические и экспериментальные исследования спектральных характеристик различных типов подстилающей поверхности. -М.:МИИГАиК,1984.

30. Интернет-ресурс: Официальный сайт ведущего российского интегратора в области геоинформационных технологий и космического мониторинга компания Совзонд (http://sovzond.ru).

31. Интернет-ресурс: Официальный сайт Инженерно-технологического центра «СканЭкс» (ИТЦ СканЭкс)( http://scanex.ru).

32. Интернет-ресурс: Официальный сайт независимой информационного ресурса и, одновременно, сообщества, посвященного Географическим информационным системам (ГИС) и Дистанционному зондированию Земли (ДЗЗ) (http://gis-lab.info/qa/vi.htmn.

33. Интернет-ресурс: официальный сайт Дальневосточного Регионального Центра, Приема и Обработки Данных (ДВРЦПОД) (http://www.dvrcpod.ru).

34. Интернет-ресурс: http://express-maps.net

35. Интернет-ресурс: http://www.uagp.net/news/geonews/17047.html

36. Интернет-ресурс: http://ru.wikipedia.org.

37. Итоги науки'и техники, серия: "Исследование Земли из космоса", т. 2, "Обработка и использование аэрокосмической информации о Земле". М., 1987.- 172 с.

38. Итоги науки и техники, серия: "Исследование Земли из космоса", т. 1, "Физические основы, методы и средства исследований Земли из космоса". — М., 1987.- 196 с.

39. Калинин H.A., Толмачева Н.И. Космические методы исследований в метеорологии: Учеб. пособие. — П., 2005. — 348 с.

40. Карпович И.Н. Военное дешифрирование аэроснимков. М.: Военное издательство Министерства Вооруженных Сил Союза ССР, 1948г. - 284 с.

41. Кашкин В. Б., Сухинин А. И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. М.: Логос, 2001.

42. Книжников Ю.Ф., Кравцова В.И., Тутубалина 0.1?.,Аэрокосмические методы географических исследований. М.¡Издательский центр «Академия», 2004.-336с.

43. Кондратьев К.Я., Биненко В.И., Дьяченко JI.H., Корзов В.И., Мухенберг

44. B.В. Альбедо и угловые характеристики отражения подстилающей поверхности и облаков. — Л. .Тидрометеоиздат, 1981.

45. Кондратьев К.Я., Миронова З.Ф., Otto А.Н. Спектральные альбедо естественных подстилающих поверхностей. // Проблемы физики атмосферы.- Л.:ЛГУ, вып.З, 1965, С.24 -47.

46. Королев Ю.К., Баранов Ю.Б. Методы обработки данных дистанционного зондирования.// Информационный бюллетень. М.: ГИС ассоциация, №2 (4), 1996.

47. Космические методы исследования природной среды: Сборник статей. -Л.: ГО СССР, 1977.

48. Кравцова В.И. Географическое разрешение новый показатель географо-картографической оценки снимков. // Аэрокосмические методы в почвоведении и их использование в сельском хозяйстве. — М.: Наука, 1990 —1. C. 34-46.

49. Кравцова В.И. Космические методы картографирования. М.: Изд-во МГУ, 1995-280 с.

50. Кринов Е.Л. Спектральная отражательная способность природных образований. М.-Л.:АН СССР, 1947. - 271с.

51. Лаврова Н.П. и др. Обнаружение нефтяных месторождений по измерениям спектральных коэффициентов отражения растительности. // Методика и технические средства геоиндикационного дешифрирования аэро- и космических снимков. Свердловск, 1986. — С. 94 - 96.

52. Лебедев Д.С. Теория и методы первичной обработки видеоинформации Диссертация на соискание ученой степени доктора физикоматематических наук. М., 1993. - 78 с.

53. Лурье И.К., Косиков А.Г. Теория и практика цифровой обработки изображений // Дистанционное зондирование и географические информационные системы. / Под ред. Берлянта A.M. M.: Научный мир, 2003.- 168 с.

54. Малинников В.А Теория* и методы информационного обеспечения мониторинга земель (тематическая обработка видеоизображений): Диссертация на соискание ученой степени доктора технических наук.— М., 1999.

55. Малинников В.А., Чибозо Э. Опыт использования многомерных спектральных признаков при дешифрировании многозональных космических снимков: Труды Международного форума по проблемам науки, техники и образования. Часть 2. М., 1997. — С. 31-33.

56. Марчуков B.C., Сладкопевцев С.А., Ресурсно экологическая картография. - М.:МИИГАиК,2005. - С. 116- 118, 125- 159.

57. Мишин И.В. Методы атмосферной коррекции данных дистанционных измерений. // Оптика атмосферы. Том 3. — №11., 1990. — С. 1139-1153.

58. Научные основы мониторинг земель Российской Федерации. — М.: изд.АПЭК, 1992. -174 с.

59. Овечкин В.Н. К вопросу определения спектральных коэффициентов яркости дымки. // Геодезия и аэрофотосъемка. —№3., 1984. — С 95 102.

60. Прэт У. Цифровая обработка изображения. М.: Мир, 1982. - 790 с.

61. Райлян В.Я., Коробков P.M., Войнов O.A. Сравнение двух методов расчета вегетационных индексов. // Исследование Земли из космоса. М.: №4, 1990. - С.85-93.

62. Рачкулик В.И., Ситникова М.В. Отражательные свойства и состояние растительного покрова. JL: Гидрометеоиздат, 1981. — 287 с.

63. Савиных В .П., Соломатин В.А. Оптико-электронные системы дистанционного зондирования. М.: Недра, 1995.

64. Сукачев В.Н. Биогеоценология и фитоценология. // ДАНСССР, том 47. №6. - С. 447-449.

65. Толчельников Ю.С. Оптические свойства ландшафта. JL: Наука, 1974. - 252 с.

66. Федченко П.П. Оптические свойства эталонных поверхностей. // Труды ДВНИГМИ. вып.59., 1977.

67. Федченко П.П., Кондратьев К.Я. Спектральная отражательная способность некоторых почв. Л.: Гидрометеоиздат, 1981. — 231 с.

68. Феофилактова Т.В, Борисова М.В. Алгоритм выделения объектов гидрографии на основе изображений, полученных по нелинейным спектральным признакам. // Геодезия и аэрофотосъемка. №6., 2009. - С. 91-96.

69. Феофилактова Т.В, Борисова М.В. Использование модуля Modeler программы ERDAS Imagine 9.2 для автоматизации процесса дешифрирования объектов на основе нелинейных спектральных признаков. // Геодезия и аэрофотосъемка.- №6., 2010.

70. Фу К., структурные методы в распознавании образов. / Перев с англ : Завалишипа П.В., Петрова C.B., Шейнина Р.Л. / Под ред.: М.А. Айзермана. -М.: Мир, 1977.

71. Фукунага К. Введение в статистическую' теорию распознавания образов. -М.:Наука, 1979. 368 с.

72. Хренов H.H., Егурцов С.А., Ланчаков Г.А., Степаненко А.И. Методические рекомендации по применению аэрокосмических методов для диагностики трубопроводных геотехнических систем и мониторинга окружающей среды. — М.,1995.

73. Чабан Л.Н. Тематическая классификация многозональных (многослойных) изображений в пакете ERDAS Imagine. Методические указания для лабораторного практикума. — М.: МИИГАиК, 2006.

74. Чабан Л.Н., Теория и алгоритмы распознавания образов. — М.МИИГАиК, 2004.- С.З 8,19,26 - 29.

75. Чапурский Л. И. Отражательные свойства природных объектов в диапазоне 400-2500 нм. 1986. - 160 с.

76. Шапиро Л., Стокман Дж. Компьютерное зрение. М.:Бином, 2006. — 752 с.

77. Шварц Г. Выборочный« метод. Руководство по применению статистических методов оценивания. — М.: Статистика, 1978.

78. Юцевич Ю.К. Оптические характеристики природных образований. // Исследование оптических свойств природных объектов и их аэрофотографического изображения. — Л.: Наука, 1970. — С. 5 — 15.

79. Якубайтис Э.А. Информационно-вычислительные сети. — М.: Финансы-и статистика, 1984. — 232 с.

80. Янутш Д.А. Дешифрирование аэрокосмических снимков. М.: Недра, 1991.

81. Ananchenko A. D., Mishin I. V., Ovechkin V. N. Revealing of weak -contrast Geochemistry anomalies from spectral radiance factors of dominant vegetation. -M.: International Aerospace Congresse, 1994.

82. ARC View GIS. The Geographic Information System for everyone. Environmental Systems Research Institute, Inc. 1996.

83. Bartholome E. and Belward A. S. 2005. GLC2000: a new approach to global land cover mapping from Earth Observation data // International Journal of Remote Sensing, 26(9) 2005. - P. 1959-1977.

84. Belward A.S., Estes J.E., Kline K.D. The IGBP-DIS Global 1-km LandCover Data Set DISCover: A Project Overview // Photogrammetric Engineering and Remote Sensing, 65. 1999. - P. 1013-1020.

85. Cox C. H., Munk W. Statistics of the sea surface derived from sea glitter J.Mar. Res., vol. 13, № 2. P. 198-227.

86. D. Darian Muresan, Thomas W. Parks "Adaptive principal components and image denoising". IEEE ICIP 2003.

87. ERDAS 1997. ERDAS Field Guide, 4th Edition, ERDAS, Inc. Atlanta, Georgia. 656 p.

88. ERDAS imagine. ERDAS field guide, 3rd edition. ERDAS. Inc. Atlanta. GA,1995. — 630 p.

89. Hansen M., DeFries R., Townshend J. R. G., Sohlberg, R. Global land cover classification at 1km resolution using a decision tree classifier // International Journal of Remote Sensing, 21.-2000.-P. 1331-1365.

90. Lindsay I Smith "A tutorial on Principal Components Analysis". 2002

91. Lo C.P., Shipman R.L. A GIS approach to land-use change dynamic detec-tion. Photogram. Eng. & Remote Sensing, 1990, vol. 56, № 11. — P. 17271734.

92. Mishin I.V. Atmospheric correction of satellite images. Int. Aerospace Congress. Moscow. August 15-19, 1994. P.343.

93. Mishin I.V. Retrieving the ground reflectances from measured radiance field in visible spectrum. Int. Symp. "Numerical Transport Theory". Moscow. May 2628, 1992. — P.157-160.

94. Pennock D.J., Zebarth B.J., de Jong E. Landform classification and soil distribution in hummocky terrain, Saskatchewan, Canada. Geoderma, 1987, vol. 40, №3-4.-P. 297-315.

95. Piech K.R., Schott I.R. Atmospheric corrections for satellite water guoilite studies. Scauners and imoigery systems. Proc. Seminar. San-Diego, 1974. -P.84-93.

96. Tucker C. J. Red and phootographic infrared linear combinations for monitoring vegetation. Remote Sens., Environ. 1979, vol. 8, № 2. P. 127-150.