CC BY
140
МЕТОД ВИЗУАЛИЗАЦИИ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ В СИСТЕМАХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ
Т.А. Шереметьева, Г.Н. Филиппов, А.М. Малов
Представлен метод обработки изображений, полученных при дистанционном зондировании, который позволяет оперативно визуализировать разнородные данные для дешифрирования человеком-оператором. Метод пригоден для обработки многоспектральных и гиперспектральных снимков, а также снимков, полученных в одном диапазоне при различных условиях. Представленный метод не требует предварительной сегментации и классификации изображений. Априорные сведения и различные методики предварительной обработки изображений могут быть легко включены в процесс визуализации. Метод позволяет получить варианты визуализации одних и тех же данных. Отличия вариантов определяются конкретной задачей дешифрирования. Метод особенно эффективен при выделении малозаметных объектов и позволяет существенно уменьшить влияние конкретных условий съемки, таких как освещенность сцены и характеристики приемного устройства оптического излучения.
Введение
Задача извлечения содержательной информации из изображений, полученных при дистанционном зондировании, в общем случае весьма сложна. Удовлетворительное дешифрирование во многих случаях не может быть осуществлено без участия человека, который при распознавании использует неформализованные признаки, накопленные опытом. Предварительная обработка может упростить принятие решений для оператора и является особенно эффективной при многоспектральном режиме, когда получают серию геометрически попиксельно совмещенных изображений в нескольких узких спектральных диапазонах оптического излучения. Многоканальный режим предоставляет более полную информацию по сравнению с одноканальным режимом, но для зрительного восприятия неудобен. Для упрощения зрительного восприятия обычно применяют методы теории распознавания, требующие значительных затрат времени на обработку данных дистанционного зондирования.
Известные универсальные пакеты прикладных программ, предназначенные для задач картографии (ESRI, ERDAS, LHS), позволяют синтезировать мультиспектральные снимки. Известные методы (см., например, [1-2]) обнаруживают мультиспектральные изображения объектов и визуализируют их. Для этого требуется классифицировать пиксели изображений в различных спектральных диапазонах, что является неоднозначной операцией, которая выполняется со значительными затратами времени.
Существует широкий класс практически важных задач, которые требуют быстрой подготовки совокупности изображений к распознаванию и обнаружению объектов. Из методов, решающих подобную задачу, получил распространение метод [3], в котором совокупность попиксельно совмещенных многоканальных черно-белых изображений преобразуется в одно изображение в псевдоцвете. Для этого из всей совокупности спектральных каналов выбирают три канала и, представляя данные, соответственно, в виде красной, зеленой и синей составляющей, получают RGB-изображение.
Вариантов такой раскраски может быть множество. Поскольку в этом методе не предусмотрено использование какой-либо дополнительной информации, повлиять на результат визуализации можно выбирая тот или иной вариант раскраски. Используются также различные операции над исходными изображениями: сложение, вычитание, фильтрация. Однако желательно так визуализировать исходные данные, чтобы объекты интереса были выделены на изображении, а мешающие восприятию факторы устранены.
Данная работа представляет метод [4, 5], ориентированный именно на такой класс задач, и демонстрирует возможности метода и программы оперативной подготовки множества пространственно совмещенных изображений к виду, удобному для распознавания оператором-дешифровщиком. Представленный метод основан на визуализации меры сходства с эталоном, определенной в пространстве признаков. На результирующем
синтезированном изображении объекты интереса имеют повышенную яркость и контраст. Метод пригоден для обработки многозональных и гиперспектральных снимков, реализация метода весьма проста и может быть осуществлена в реальном времени.
Визуализация совокупности изображений одной сцены
Большинство известных методов визуализации многоспектральных снимков основываются на алгоритмах сегментации, при которых изображение разбивается на области по сходству признаков с последующим присвоением каждой области своей окраски. Для того чтобы отнести пиксель изображения к какой-либо области, требуется выбрать многомерное пороговое ограничение. Выбор пороговых ограничений нетривиален, поскольку признаковое пространство трудно разделить на области безошибочно. Известные методы сегментации [6] требуют обработки исходных изображений с использованием методов кластерного анализа и расчета дополнительных признаков. Процесс сегментации при этом весьма трудоемок и не свободен от погрешностей. В этих методах все пиксели "пачки" исходных изображений рассматриваются как равно важные. Однако при оперативном анализе изображений оператор-дешифровщик решает конкретную задачу, и ему важно выделить объекты с конкретными признаками.
В представленном методе для визуализации используется простой алгоритм: визуализируется мера сходства каждого пикселя с эталоном. В качестве эталона выбирают многомерный вектор признаков из совокупности точек признакового пространства.
В качестве признаков могут быть выбраны спектральные характеристики. В признаковое пространство можно включить и другие характеристики, полученные априорно или при помощи предварительной обработки каждого спектрального изображения или совокупности изображений (например, с помощью подсчета текстурных признаков). Таким образом, каждый пиксель синтезируемого изображения с конкретными пространственными координатами обладает координатами в пространстве признаков и может быть охарактеризован «расстоянием» до эталона в признаковом пространстве.
В качестве характеристики расстояния могут быть использованы различные меры, в частности, используемые для классификации в пакетах программ MultiSpec, ESRI, ERDAS [1]. В качестве оценки яркости пикселя на синтезированном изображении выбирается величина «расстояния». Пикселям, наиболее близким к эталону в пространстве признаков, присваивается наибольшая яркость, остальным пикселям присваивается яркость в соответствии с их отличием от эталона. Поскольку эталонов может быть несколько, соответственно может быть получено несколько результатов синтеза.
Выбор эталона и меры сходства позволяют адаптировать визуализацию к конкретной задаче дешифрирования. Эталон может быть выбран на основе различных подходов, например, в результате визуального анализа какого-либо из предъявленных изображений, при использовании априорной информации о местоположении интересующего объекта, либо информации о спектральных признаках искомого объекта, взятых из специально созданной базы данных.
На основе формирования меры сходства в предлагаемом способе может быть использована априорная информация различного рода. Если имеется информация о распределении вероятностей значений признаков эталона, то может быть принята мера, основанная на условных вероятностях (байесовский подход). Любые априорно оцененные характеристики исследуемых объектов могут участвовать в определении меры. Итоговое синтезированное изображение представляется в серой шкале полутонов, что позволяет экономно передавать необходимую информацию по линиям связи.
Наиболее просто способ реализуется при обработке и-зональных снимков, когда в качестве признаков используют только значения интенсивностей в каждом спектральном диапазоне, в качестве эталона берут вектор признаков, соответствующий некоторому
пикселю на изображениях, а расстояние в пространстве признаков определяется как расстояние в п-мерном пространстве.
Расстояние в п-мерном векторном пространстве признаков между вектором,
соответствующим эталону в = (в^, в^,..., вп), и вектором, соответствующим текущему элементу, х = (, х^,..., хп ) может быть определено либо как евклидово расстояние
d1 (e , * )=у1(е1 - x1 )2 + (e2 - x2 )2 + - + (en - xn )
либо иначе, например,
d2 (e, x ) = max {e1 - x1 |, |e
d3 (e, X) = arceos
,11.
2 x2 ,•••, \en xn|.b
ei Xi e rs Xo ••• e x
11 2 2 n n
Vei
2 + e22 +,,, + e„2
' >/xÍ
2 2 2 2 + x22 + ••• + x 2n
(1)
(2) (3)
либо как евклидово расстояние с весовыми коэффициентами, выбранными в соответствии с априорной информацией об эталоне:
d 4 (e , x )=V®1 (e1 - x1 )2 +®2 (e2 - x2 )2 + ••• + ®n (en - xn )2 •
(4)
Мера использует весовые коэффициенты, которые могут быть подобраны в соответствии с заранее исследованной информативностью признаков для конкретной задачи. Таким образом, с помощью выбора меры сходства метод может быть адаптирован к конкретной задаче.
На рис.1 иллюстрируется пример обработки изображений предлагаемым методом. Для синтеза изображений в качестве эталона были взяты яркостные признаки типичного элемента фона. Результат представлен на рис.1, б.
а)
Рис.1. Представление совокупности изображений в системе дистанционного зондирования природного ландшафта, полученных в трех каналах (а) и синтезированное изображение (б)
Отметим, что благодаря представлению совокупности изображений в одномерной шкале серого в соответствии со степенью сходства с эталоном, легко осуществить повышение контраста объектов интереса и даже получить их бинарные изображения. Эти операции можно формализовать и автоматизировать, но лучший результат получают при интерактивном способе выбора порогов, при котором интерпретатор пользуется накопленной опытом контекстной информацией.
В разработанной на основе этого метода компьютерной программе рассмотренные выше операции производятся весьма быстро при визуальном контроле пользователя.
На рис.2, а показаны варианты синтезированных изображений на основе исходных изображений (рис.1, а), когда в качестве эталона выбран типичный элемент русла реки.
а) б) в)
Рис 2. Повышение контраста объекта интереса в синтезированных изображениях: река как эталонный объект (а), повышение контраста всех объектов, сходных с эталоном (б) и бинаризация объектов, сходных с эталоном (в)
Выбирая другие эталоны, можно увеличивать яркость и контраст других объектов. На рис. 3 представлены варианты синтеза тех же изображений при выборе других эталонов.
Рис. 3. Повышение контраста объектов интереса на синтезированном изображении: эталонный объект №1 (а), №2 (б) и №3 (в)
В представленном примере были взяты три изображения для того, чтобы улучшить их восприятие. Количество обрабатываемых таким образом изображений может быть достаточно большим. В следующем примере представлены результаты синтеза 330-ти гиперспектральных снимка в диапазонах УЖЯ и SWIR-1 (160 снимков от 401 нм до 988 нм и 170 снимков в диапазоне от 893 нм до 1750 нм).
На рис. 4 представлены примеры исходных гиперспектральных изображений в ближнем и среднем ИК диапазоне и 4 синтезированных изображения, полученных по 330-ти гиперспектральным снимкам.
Рис. 4. Представление совокупности гиперспектральных изображений в синтезированном виде
Синтезированные изображения различаются тем, что на них выделены яркостью и контрастом разные детали одной сцены. Таким образом, с помощью данного метода пользователь имеет возможность как бы рассматривать сцену, изменяя эталон и меру сходства.
Среди упомянутых 330-ти снимков были снимки с помехами различной степени влияния (около 20-ти снимков очень сильно зашумлены, 54 имеют частичные искажения). Для получения представления о характере и величине помех два из таких снимков приведены в качестве иллюстрации на рис. 4. Результаты синтеза, представленные на рис.4, были получены с использованием всех 330-ти изображений без предварительного подавления шумов. При обработке описываемым методом снимки не отбраковывались.
При вычислении степени сходства устранение шумовой составляющей происходит автоматически за счет усреднения случайных отклонений. При выборе меры сходства следует учитывать свойства исходных изображений и задачу дешифрирования. Так, при использовании меры ^ (е, х) и d3 (е, х) шумы типа белого шума не оказывают заметного
влияния на результат синтеза зашумленных изображений, а мера d2 (е, х) в этом случае может привести к неудовлетворительному результату. Если задачей дешифрирования является фиксация выброса в каком либо из каналов, а шумы незначительны, то выбор меры d2 (е, х) оправдан.
На рис. 5 иллюстрируется влияние меры сходства на результат синтеза. На рис. 5, а приведены результаты синтеза фрагмента гиперспектральных снимков с использованием всех 330-ти каналов, среди которых были и зашумленные данные. На рис. 5, б представлены результаты обработки того же фрагмента, но перед обработкой из исходных снимков были изъяты зашумленные.
б) Результаты синтеза, полученные по 256-ти гиперспектральным изображениям, свободным от шумов
Рис. 5. Результаты синтеза гиперспектральных изображений при применении различных мер сходства: использованы все снимки, в том числе и зашумленные (а), использованы снимки, свободные от значительных шумов (б). Эталон для всех изображений взят один и тот же
Время обработки 330-ти гиперспектральных изображения форматом 600*400 на компьютере Pentium 4 CPU (1,83 ГГц, ОЗУ 2 ГБ) составляет примерно 7 секунд.
Помимо того, что способ обеспечивает высокую детальность визуализации, следует отметить, что уровень серой шкалы несет информацию о степени сходства с эталоном, что весьма существенно для решения задачи обнаружения.
Метод визуализации реализован в компьютерной программе, которая позволяет:
• просмотреть каждый из обрабатываемых снимков,
• выбрать эталон либо на одном из снимков, либо с помощью априорно известных координат,
• выбрать способ расчета меры сходства (степени близости в признаковом пространстве),
• получить синтезированное изображение,
• отметить цветом наиболее близкие к эталону элементы в соответствии с выбранным пороговым ограничением,
• получить синтезированное изображение, окрашенное в псевдоцвете, где разные цвета соответствуют различным эталонам.
Метод позволяет существенно уменьшить влияние на результаты визуального дешифрирования условий съемки при выборе эталона посредством визуального анализа исходных изображений или использовании информации о местонахождении одного из подобных интересующих объектов, когда требуется показать объекты, сходные с указанным. Действительно, в этом случае значения признаков эталона определяются при тех же условиях съемки, что и значения признаков визуализируемой сцены. Кроме этого, метод менее чувствителен к погрешностям попиксельного совмещения исходных изображений в различных каналах по сравнению с методами, использующими базы спектральных данных, поскольку если спектр эталона, выбранного на изображении, искажен из-за смещения, то он так же искажен и для других пикселей, сходных с эталоном.
Заключение
Предлагаемый метод предназначен для подготовки снимков к визуальному дешифрированию оператором. От известных способов визуализации он отличается простотой и быстродействием при объединении данных, представленных в виде изображений. Использование метода наиболее эффективно при решении задач анализа оператором данных многозонального и гиперспектрального зондирования.
Отметим положительные стороны предлагаемого метода визуализации.
Быстрое и компактное представление информации. Действительно, мера сходства вычисляется быстро и является скалярной величиной, что позволяет отображать синтезированное изображение в одномерной шкале и позволяет передавать его, используя при этом лишь один канал.
Интерпретатору предоставляется контекстная информация, не искаженная неизбежными погрешностями сегментации и классификации.
Итоговое изображение может быть адаптировано к конкретной задаче дешифрирования с помощью выбора признакового пространства, эталона и меры сходства. Мера сходства может быть подобрана в соответствии с априорными сведениями о признаках исследуемого объекта, фона и шумовой компоненты. Выбор эталона может быть осуществлен с помощью априорных сведений о спектральных характеристиках, или с использованием информации о месте нахождения одного из искомых объектов, или с помощью контекстной информации, используемой дешифровщиком.
Метод позволяет существенно уменьшить влияние на результаты визуального дешифрирования условий съемки.
Для ряда задач дистанционных измерений метод позволяет распространять наземные измерения в области, соответствующей эталону, на остальные участки изображенной сцены.
В статье использованы снимки из космоса, любезно предоставленные Ukrainian Land and Resource Management Center (рис.1 - 3) и компанией Norsk Elektro Optikk AS (рис.4, 5).
Литература
1. Zavalejevski A., Dhawan A.P., Kelch D.J. et al. Adaptive multilevel classification and detection in multispectral images // Opt. Eng. 1996. V.35. P. 2884-2893.
2. Aston E.A., Multialgorithm solution for automated multispectral detection //Opt. Eng. 1999. V.38. P. 717-724.
3. Know H., Der S. Z., Nasrabadi N. M. Adaptive multisensor target detection using feature-based fusion //Opt. Eng. 2002. V. 41. P. 69-80.
4. Sheremetyeva T.A. Method of representation of remote sensing data that facilitates visual interpretation //Proc. 5th Int. Conf. on Space Optics (ICSO 2004, Toulouse, France). SP-554. P. 199-201.
5. Шереметьева Т.А., Филиппов Г.Н., Малов А.М. Представление данных многозонального дистанционного зондирования подстилающей поверхности для визуальной интерпретации //Межд. симпозиум стран СНГ «Атмосферная радиация» (МСАР 2004. С. - Петербург, Россия, 22 - 25 июня 2004 г.). С.121.
6. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: БИНОМ, 2006.
