CC BY
182
УДК 528.8:528.77
К.А. Поздина, Е.А. Кобзева, Ю.Д. Зраенко ФГУП «Уралгеоинформ», Екатеринбург
АВТОМАТИЗИРОВАННАЯ КЛАССИФИКАЦИЯ КАК ЭФФЕКТИВНОЕ РЕШЕНИЕ ЗАДАЧ МОНИТОРИНГА ГОРОДСКИХ ТЕРРИТОРИЙ
Ключевым процессом в решении задач мониторинга городских территорий по космическим снимкам является их дешифрирование. Повысить оперативность дешифрирования позволяет автоматизация этого процесса. В случае снимков сверхвысокого разрешения городских территорий наибольшее применение находит объектно-ориентированная классификация, позволяющая анализировать не только яркостные характеристики объектов на снимке, но и их пространственные параметры (текстуру, форму, размер). Эффективность метода рассмотрена на примере космических снимков г. Екатеринбурга и ПО eCognition.
K.A. Pozdina, E.A. Kobzeva, J.D. Zraenko Uralgeoinform
51 Studencheskaya St., Ekaterinburg, 620078, Russian Federation
AUTOMATED CLASSIFICATION AS AN EFFECTIVE SOLUTION FOR URBANAREA MONITORING APPLICATIONS
Interpretation of high-resolution images is the key process in urban-area monitoring applications. Automation of this procedure allows raising the monitoring efficiency. In case of very high-resolution imagery, object-based classification algorithms are becoming more widely used due to their capabilities to analyze both spectral characteristics of the image objects and their spatial parameters (texture, shape, size).
The efficiency of these algorithms is exemplified with the satellite images of Ekaterinburg using eCognition software.
Мониторинг городских территорий - неотъемлемая часть системы контроля и наблюдения за развитием мегаполиса. В настоящее время информационные свойства снимков сверхвысокого разрешения позволяют эффективно использовать их при решении задач мониторинга. Ключевым процессом таких задач является дешифрирование космических снимков, ключевым фактором - его оперативность.
Автоматизированное дешифрирование уже зарекомендовало себя при анализе снимков среднего разрешения, тем не менее, достоверность дешифрирования снимков сверхвысокого разрешения, в особенности изображений городской инфраструктуры, алгоритмами классификации с обучением невелика.
Более надежные результаты дает метод объектно-ориентированной классификации, который позволяет анализировать не только яркостные характеристики объектов на снимке, но и их пространственные параметры (текстуру, форму, размер и т. д.).
Алгоритмы объектно-ориентированной классификации реализованы во многих программных продуктах (ENVI, eCognition, ERDAS Imagine и т. д.)
Результаты, полученные в ENVI, представлены в [3], поэтому в настоящей статье рассмотрены только результаты, полученные с помощью eCognition - лидирующего программного обеспечения в области объектноориентированной классификации [4-8].
Экспериментальная работа проводилась по космическим снимкам Ikonos города Екатеринбурга.
Процесс объектно-ориентированной классификации состоит из нескольких этапов:
1. Сегментация изображения
2. Классификация изображения по спектральным и текстурным признакам с заданием правил, обучением системы
Под сегментацией подразумевается разбиение изображения на совокупность непересекающихся связных областей, являющихся изображениями некоторых объектов или их частей [2].
Задачи сегментации делятся на две группы:
- Разбиение изображения на однородные области (не имеется никакой априорной информации об изображенных объектах, на разбиение накладываются условия, например, все области должны быть однородны по цвету и текстуре).
- Выделение областей изображения с известными свойствами (например, известны цвет, форма, или интересующие нас области представляют собой изображения известного объекта).
В нашей работе мы использовали первый вариант сегментации, что позволило получить представление изображения в более удобном для дальнейшей работы виде и перейти к этапу классификации.
Реализованная в ПО eCognition технология объектно-ориентированной классификации помимо анализа основных дешифровочных признаков позволяет учитывать пространственный контекст объектов, представления людей об их характеристиках (о протяженности здании или их прямоугольной форме, сильной текстурированности деревьев в сравнении с травой и т. д.)
Также важной является возможность управления параметрами классификации, формирование правил анализа изображений экспертом в области дешифрирования.
В качестве классов исследования выбраны следующие группы объектов:
- Водные поверхности;
- Растительность;
- Отдельно стоящие здания и сооружения.
Результаты классификации гидрографии и растительности описаны в [1, 3]. При классификации отдельно стоящих зданий и сооружений влияние спектральных характеристик, вследствие их разнообразия, не столь важно,
как в случае классификации растительности или гидрографии. Более существенным является параметр формы объектов, влияние которого устанавливается на начальном этапе сегментации.
Для наилучших результатов классификации мы задаем параметры, свойственные характеристикам строений с точки зрения логики человеческого восприятия:
1. Строения не могут иметь длину в сотни метров.
2. Площадь строений не может быть сравнима с площадью, например, футбольного поля.
3. Строения в большинстве случаев имеют прямоугольную форму.
4. Важным является наличие теней возле каждого объекта.
5. Важную роль играют параметры симметрии, плотности, длины границы объектов.
На рис. 1 представлены результаты объектно-ориентированной классификации застроенных территорий.
Рис. 1. Фрагмент космического снимка Ikonos (слева) и результат работы алгоритма объектно-ориентированной классификации строений (справа)
Достоверность такой классификации составила 84,3 %, что сравнимо с точностью, полученной в [6] и превышает тонность, полученную в [4]. Безусловно, из рисунка видно, что с помощью такой классификации мы можем лишь обозначить местоположение строения, но не можем точно отрисовать его контур. Приведение таких результатов в законченный вид требует значительной ручной доработки.
При мониторинге территорий основной задачей является обнаружение изменений, поэтому в рамках экспериментальной работы также рассмотрена возможность непосредственного анализа разновременных снимков с
помощью алгоритма Change Detection. Суть нашего подхода - выявить участки, где изменилось состояние растительности, т. е. растительности стало меньше, или не стало совсем. Обоснованием такого метода применительно к объектам городских территорий является то, что, как правило, в местах исчезновения растительности появляются новые постройки и наоборот. Важным фактором является корреляция характеристик исходных снимков (времени года, угла наклона, и т. д.), в особенности соответствие состояния вегетации у растительности.
Для количественной оценки результатов работы метода автоматизированного выявления изменений была произведена ручная векторизация экспериментального участка снимка, и выделение изменений, произошедших за 4 года
C помощью описанного алгоритма было обнаружено 67 областей возможных изменений, из которых 46 было обнаружено верно и 21 ложно (площадки строительства, стоянки, насыпи песка и т. д). Кроме того, алгоритм не заметил 17 существующих изменений
Таблица 1 Результаты работы метода автоматизированного выявления
изменений
Количество обнаруженных объектов, всего 67
В том числе правильное обнаружение 46
ложное обнаружение 21
Количество пропущенных объектов, всего 17
Таким образом, достоверность работы алгоритма Change Detection составила 68,6 %.
Из анализа результатов проведенных экспериментальных работ можно сделать следующие выводы:
Несмотря на хороший результат выделения строений - 84 %, алгоритмы объектно-ориентированной классификации не гарантируют получения четких контуров объектов, требуется визуальный анализ ситуации с последующей ручной векторизацией. Тем не менее, автоматизированные алгоритмы подходят для определения зон ежегодных и ежеквартальных изменений объектов городской инфраструктуры, для оценки необходимости проведения обновления пространственных баз данных той или иной территории.
Автоматизированная классификация является перспективным направлением в области дешифрирования космических снимков и решения задач мониторинга городских территорий, но на сегодняшний день, для применения в производственной деятельности необходимо совершенствование технологии.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Виноградова Н.С., Кобзева Е.А. Выделение растительности и объектов гидрографии по снимкам городских территорий сверхвысокого разрешения // Пространственные данные - 2009. - №4. - С. 42-46
2. Грибков И.В., Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко А.А., Куцаев А.С., Осипов А.С. «Исследование методов сегментации изображений» // Программные продукты и системы - 2008. - № 4.
3. Кобзева Е.А., Поздина К.А. Автоматизация дешифрирования спутниковых снимков: опыт и проблемы // Геодезия и картография. - 2008. - № 6. - С. 40-44
4. Birgit Mittelberg. Pixel vs. Object: A method comparison for analyzing urban areas with VHR data // eCognition Application note Vol. 3. No.3.
5. Impervious Surface Mapping with High Resolution Satellite Imagery // University of Arkansas, The Center for Advanced Spatial Technologies. // URL: http://www.cast.uark.edu/
6. M. Herold, S. Guenther, and K.C. Clarke, Mapping Urban Areas in the Santa Barbara South Coast Using lkonos Data and eCognition.// eCognition Object Oriented Image Analysis: Application Note, Mar. 2003, vol. 4, No. 1, Definiens Imaging GmbH, Germany.
7. Peter Hofmann. Detecting buildings and roads from IKONOS and DEM data with Definiens eCognition // URL: http://www.definiens.com
8. Siachalou S., Doxani G., Tsakiri-Strati M. Classication Enhancement in Urban Areas // 1st EARSeL Workshop of the SIG Urban Remote Sensing, Humboldt-Universitat, Berlin, 2-3 March 2006.
© К.А. Поздина, Е.А. Кобзева, Ю.Д. Зраенко, 2010
