CC BY
153
УДК 004.932.2
АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ ОПРЕДЕЛЕНИЯ ПОЛЕЙ ОБЛАЧНОСТИ. АВТОМАТИЗИРОВАННАЯ ТЕХНОЛОГИЯ ПОСТРОЕНИЯ РАСТРОВОЙ КАРТЫ НУЛЕВОЙ ОБЛАЧНОСТИ П.Ю. Селиванов
В статье рассмотрены современные методы атмосферной коррекции и определения полей облачности для аэрокосмических снимков. Предложена технология получения изображений нулевой облачности на основе серий разновременных аэрокосмических снимков и проанализированных методов определения полей облачности
Ключевые слова: космические снимки, облачность, поля облачности
Методы определения полей облачности и атмосферной коррекции аэрокосмических снимков
Любой снимок, полученный при помощи приборов, установленных на космическом или летательном аппарате, может быть представлен как сумма двух составляющих:
• изображение, которое могло получиться при условии абсолютно прозрачной атмосферы;
• изображение, описывающее искажения, которые вносит атмосфера.
Другими словами, в любом аэрокосмическом изображении Земли присутствует информация об оптических свойствах земной поверхности и атмосферы. Поэтому, в зависимости от задачи, которая решается при анализе снимков, необходимо либо минимизировать влияние атмосферы на изображения, если целью исследования является мониторинг подстилающей поверхности, либо выделить компоненту, описывающую атмосферу, если объект исследования -процессы, происходящие в ней.
Ведущей научно-исследовательской организацией России, проводящей работы по устранению влияния атмосферы на аэрокосмических снимках, является Институт оптики атмосферы им. В.Е. Зуева СО РАН г. Томск. В опубликованных научных работах таких авторов, как Протасов К.Т., Гриднев Ю.В., Белов В.В., Афонин С.В., Молчунов Н.В., представлены основные результаты проведенных исследований.
Изучение атмосферы и процессов, происходящих в ней, является основной задачей метеорологии. При этом одной из решаемых задач является определение полей облачности на аэрокосмических снимках. Существующие методы достаточно эффективно решают эту проблему [1,2, 8, 9, 13].
Селиванов Павел Юрьевич - ВГТУ, соискатель, тел. 8(495)931-05-63, e-mail: [email protected]
Наиболее простая идея, позволяющая проводить маскирование облачности, основана на наблюдении, что наличие аэрозольных примесей в атмосфере приводит к изменению формы гистограммы снимка. Она приобретает многомодальный вид, что используется при построении решающего правила при распознавании[13]. Основанный на этом метод обладает следующей особенностью: при его использовании большая часть изображения, покрытая полупрозрачной облачностью, не будет маскирована. Приведенные ниже методы более точно определяют поля облачности, что, в свою очередь, позволяет выделить участки с абсолютно прозрачной атмосферой.
К.Т. Протасов для выделения полей облачности предлагает использовать четырехэтапную процедуру[8]:
Производится пофрагментная локальная кластеризация снимка.
Объединяются ближайшие классы (в смысле расстояния Бхаттачария) из найденных.
Производится обучение алгоритма распознавания образов выявлять классы, полученные на втором шаге.
Распознавание изображения.
Особенностью предлагаемого метода является тот факт, что мерой близости или различимости выделяемых классов служат функционал риска либо оценки его границ снизу и сверху, а вероятностные модели классов восстанавливаются с помощью аппроксимации Джонсона.
Метод определения полей облачности, предложенный Гридневым Ю.В. [9], решает задачу присоединения к искомым областям переходных участков согласно следующей модели:
1. Класс облаков в чистом виде представлен некоторым вектором признаков х0.
2. Для переходной области вектор признаков почти постоянен и может быть представлен в виде
XX = X 0 + х,
где XX - вектор признаков в переходной
области, £ - случайная составляющая с некоррелируемыми компонентами, имеющими одинаковое по форме распределение. Окончательная сегментация всего набора данных осуществляется отнесением каждого вектора к выделенным центрам соответствующих классов по методу ближайшего соседа в смысле евклидовой метрики.
В связи со спецификой задач метеорологии в результате работы приведенных методов к выделенным полям облачности относят и участки с полупрозрачными аэрозольными образованиями. Несмотря на это, обнаружение объектов сквозь такую дымку возможно, и эти участки должны быть изучены дополнительно. Таким образом, существующие методы могут использоваться в задачах определения участков с прозрачной атмосферой, а значит, и для создания карт нулевой облачности, однако для задач мониторинга они неприемлемы. Кроме того, заметим, что в литературе описаны только эксперименты, которые проводились для снимков среднего разрешения (Landsat, MODIS, NOAA), что соответствует задачам, которые ставились при разработке этих методов, однако этого недостаточно для их использования для вопросов, рассматриваемых в данной работе.
Необходимо рассмотреть случай, когда целью зондирования является выявление характеристик земной поверхности или объектов находящихся на ней. Для решения этой задачи в Институте оптики атмосферы изучалась возможность применения двух конкурирующих подходов. Первый заключается в использовании оптико-метеорологической информации о состоянии атмосферы в момент спутниковых наблюдений [3, 4]. Однако важно отметить, что этот подход имеет очевидный недостаток: конкретно сложившаяся погода на момент пролета спутника или летательного аппарат может существенно отличаться от среднестатистической, а источники информации о метеорологическом состоянии атмосферы обычно недоступны для района съемки.
Второй подход представляется более перспективным и заключается в использовании априорной информации о местности, которую можно получить из топографических планов или снимков нулевой облачности [5, 6]. Для реализации этого подхода могут быть применены преобразование гистограмм и регрессионное уравнение прогнозирования полей яркости [7].
Если снимок подвержен искажающему влиянию полупрозрачного аэрозольного образования, то коррекция дымки на отдельных участках достаточно малой площади может быть осуществлена с использованием преобразования гистограмм яркостей. Задача заключается в перерасчете яркости полученного снимка таким образом, чтобы скорректированное изображение имело гистограмму, подобную эталонной. По этим подразумевается, что есть возможность получить гистограмму распределения полей яркости рассматриваемого участка в условиях хорошей видимости. Для построения эталона можно также использовать соседний участок снимка, который текстурно эквивалентен восстанавливаемому и не подвержен замутнению. Необходимо заметить, что гистограмма изображения как усредненная статистическая характеристика более стабильна по сравнению с конкретной реализацией наблюдений.
Восстановление участков снимков, основанное на прогнозирующих свойствах регрессионных зависимостей, также подразумевает выбор участков для обучения. При этом для построения уравнения регрессии необходимо иметь фрагмент снимка, свободный от дымки и статистически однородный с восстанавливаемым участком. Для выбора такого участка необходимо провести предварительный анализ полного изображения алгоритмом сегментации, позволяющим выделить статистически однородные участки.
Результаты исследований иностранных ученых в разработке методов атмосферной коррекции получили реализацию в специализированных программных продуктах. На модулях, являющихся лидерами в области обработки космических снимков, представляется важным остановиться более подробно.
Модуль ATCOR для ERDAS Imagine позволяет успешно справляться с уменьшением влияния облачности на снимках, но применим далеко не во всех случаях; так, иногда требуются дополнительные данные о состоянии атмосферы на момент проведения съемки. Методы, на которых основана работа этого модуля, также реализованы в программном обеспечении Geomatica российской компании «Терра-Спейс».
Модуль FLAASH (Spectral Sciences), включенный в программное обеспечение ENVI, реализует метод на основе заданных моделей, и позволяет получать более точную информацию из изображений. Он обеспечивает атмосферную коррекцию изображений, полученных с любого мультиспектрального или гиперспектрального датчика, регистрирующего электромагнитное
излучение в ближнем инфракрасном диапазоне, включая камеры вертикального или наклонного визирования.
Еще один принцип, на котором может быть основана атмосферная коррекция изображений, получил название «вычитание абсолютно темных объектов» [10]. Он включает следующие действия:
1. Нахождение по гистограммам на снимке абсолютно темных объектов.
2. Присвоение таким объектам значения коэффициента отражения, равного нулю (например, участки тени в видимой части электромагнитного спектра, глубокие и чистые водоемы в ближней инфракрасной части спектра). Предполагается, что расхождение значений яркости пикселей темных объектов с нулем связано с влиянием атмосферы.
3. Вычитание полученной разности от значений яркости каждого пикселя снимка для получения скорректированных значений.
Следует подчеркнуть, что недостатком этого подхода является возможное появление так называемых «переисправленных» данных.
Проведенные авторами методов испытания позволяют говорить об их высокой эффективности [1-7, 10]. Однако важно отметить, что приведенные результаты экспериментов проводились для снимков, полученных такими приборами, как: AVHRR спутника NOAA, EOS спутника Terra, MODIS спутника Aqua, сенсоры спутника Landsat. Таким образом, существующие методы могут быть применены для обработки данных в природопользовательских или экологических целях, а возможность их применения со снимками сверхвысокого разрешения не исследовалась.
Автоматизированная технология по-
строения растровой карты нулевой облачности
В работе [14] предложен адаптивный метод определения полей облачности на снимках сверхвысокого разрешения, который опирается на предположение о существование растра, описывающего интересующую территорию и неискаженного атмосферными явлениями (облачность, туман, дымка, смог и т.д.). Следует заметить, что в настоящее время накоплен огромный объем необработанных космических снимков, хранящейся в архивах как коммерческих организаций, так и органов власти. Использование же этих ресурсов осложнено разнородностью данных и, возможно, неполнотой относительно конкретной задачи.
Первое свойство очевидно: действительно, съемка производится в разное время года, в раз-
ную погоду, в разных полосах электромагнитного спектра, и, наконец, с разным разрешением. Свойство же неполноты может показаться, по меньшей мере, странным, тем более что уже упоминались колоссальные объемы накопленной космической информации. Под полнотой здесь понимаем доступность космических снимков заданного разрешения, снятых в требуемом диапазоне длин волн, и с нулевой облачностью.
Первые два условия свойства полноты могут быть выполнены и при отсутствии необходимой информации в архивах. Для этого достаточно получения новых снимков с необходимыми параметрами заданной территории. Однако при этом нет гарантии нулевой облачности на изображениях. Совершенно не трудно представить ситуацию, при которой повторная съемка невозможна из-за временных или экономических ограничений. Поэтому возникает задача получения растровых карт нулевой облачности на основе уже имеющейся информации. Целостные растры с нулевой облачностью на интересующую территорию могут быть получены при использовании нескольких снимков с различных спутников или изображений, полученных с одного аппарата, но сделанных в разное время. Такой подход позволяет полностью отказаться от дополнительной космической или аэрофотосъемки.
Обсуждаемый подход к построению растровых карт нулевой облачности был бы несостоятельным в смысле его реализации и практического применения без системы регистрации изображений[11, 12]. Существующие методы, выявляя точечные особенности на изображениях и находя соответствия между ними, позволяют располагать аэрокосмические снимки местности относительно друг друга вне зависимости от погодных условий, времени года, угла наклона камеры, разрешения и полос, в которых проводилась съемка.
Таким образом, входными данными разработанной технологии, без ограничения общности, можно считать совокупность снимков, обладающих следующими свойствами:
• все снимки содержат данные об интересующей территории;
• снимки имеют пространственную привязку;
• снимки имеют различное пространственное разрешение;
• каждому снимку соответствует временная метка;
• снимки не обладают свойством нулевой облачности.
Растр 1
Блок выравнивания ярко-стных параметров
Растр 2
Результатом преобразований должно стать синтезированное изображение максимально возможного пространственного разрешения.
Предлагаемую технологию построения растра с нулевой облачностью можно представить в виде четырех последовательных шагов. Схема функционирования предложенной технологии для случая двух снимков представлена на рис. 1.
Шаг 1. Для каждого из обрабатываемых растров строится маска, которая представляет собой булеву матрицу размером, соответствующим размеру изображения. Значение ячейки равно «нулю», если соответствующий пиксель принадлежит облаку, и «единице» - в противном случае. Построения такой маски - это задача классификации изображения. Обзор алгоритмов, позволяющих выделять поля облачности приведен выше в этой работе.
Шаг 2. Для каждого снимка получаем изображение с нулевыми пикселями на месте облаков. Для этого умножаем поэлементно матрицы изображения и маски.
LS5 1 53
S/I 1
Границы пикселей синтезируемого изображении
-1/4(155<153М54-М09)
Границы пикселей изображения из базы
Рис.2. Пример подсчета значения пикселя синтезируемого изображения нулевой облачности
Шаг 3. Строим нулевой растр с пространственным разрешением самого крупномасштабного снимка, имеющегося в наличии.
Шаг 4. Получаем итоговое изображение. Значение пикселя искомого растра вычисляется следующим образом:
1. Выбирается такой снимок из множества изображений, полученных на шаге 2, который имеет непустое пересечение с пространственной областью, описывающей искомый пиксель, и который обладает наибольшим пространственным разрешением. Если таких растров несколько, выбирается тот, который имеет наиболее позднюю временную метку.
2. Значение искомого пикселя принимается равным среднему между значениями тех пикселей выбранного растра, которые имеют непустое пересечение с пространственной областью, описывающей искомый пиксель (см. рис. 2).
Следует отметить, что при описании первых шагов технологии был пропущен блок выравнивания яркостных характеристик изображений. Это было сделано умышленно, так как этот блок необходим лишь для приведения изображений к единой цветовой схеме. В настоящий момент существует большое количество программных продуктов, решающих эту задачу; так, к ним можно отнести модуль Image Matching пакета Erdas Imaging, модуль TerraPhoto пакета TerraSolid, модуль OrthoVista пакета Inpho и др.
На рис. 3,4 приведен пример построения растровой карты нулевой облачности с использованием двух космических снимков разного пространственного разрешения. В качестве результатов работы технологии представлено два мозаичных изображения. Одно из них составлено с использованием алгоритма выравнивания интегральных параметров, входящих в его со-
став частей, а второе - без проведения этой процедуры.
Необходимо еще раз подчеркнуть, что предложенная технология основывается на ме-
Рис. 3. Исходные изображения а) снимок со спутника Ikonos; б) снимок со спутника Spot
тодах выделения полей облачности, а её эффективность зависит только от эффективности используемого метода маскирования.
'■-Ч
Рис. 4. Исходные изображения а) изображение нулевой облачности; б) изображение нулевой облачности, полученное без выравнивания яркостных характеристик
Литература
1. Протасов К.Т. Выделение полей облачности на космических снимках алгоритмом сегментации, основанным на классификации и распознавании образов, «Оптика атмосферы и океана», том 11, 1998г., № 01, С.79-85
2. Гриднев Ю.В. Выделение облачных полей на космических снимках алгоритмом сегментации, основанным на свойствах локальной однородности данных. «Оптика атмосферы и океана», том 11, 1998г., № 04, С.430-434
3. Афонин С.В., Соломатов Д.В. Методика учета оптико-метеорологического состояния атмосферы для решения задач атмосферной коррекции спутниковых ИК-измерений. «Оптика атмосферы и океана», том 21, 2008 г., № 02, С.147-153.
4. Афонин С.В., Белов В.В., Гриднев Ю.В. Пассивное спутниковое зондирование земной поверхности в оптическом диапазоне длин волн. «Оптика атмосферы и океана», том 22, 2009 г., № 10, С.945-949.
5. Белов В.В. Молчунов Н.В., Протасов К.Т. Восстановление космических снимков Земли с использованием картографической информации. «Оптика атмосферы и океана», том 10, 1997 г., № 7, С.800-805.
6. Протасов К.Т., Белов В.В., Артамонов Е.С. Адаптивное восстановление космических снимков подстилающей поверхности Земли с использованием априорной информации. «Вычислительные технологии», том 5, 2000 г., Спец. Выпуск. С.69-81.
7. Протасов К.Т., Артамонов Е.С.. Восстановление космических снимков подстилающей поверхности земли на участках затенения дымкой и фрагментами облаков. «Оптика атмосферы и океана», том 12, 1999 г., № 12, С. 1140 - 1145.
8. Апраушева H.H., Горлач И. А., и др. Об опыте автоматического статистического распознавания облачности. «Журнал вычислительной математики и математической физики Ks 10», 1998, т. 38.
9. Протасов К. Т. Выделение полей однородности на космических снимках непараметрическим алгоритмом сегментации в пространствах информативных признаков. «Оптика атмосферы и океана», том 11, № 7, 1998. С. 787-795.
10. Chavez, P.S. Jr. Image-based atmospheric corrections—revisited and revised. Photogrammetric Engineering and Remote Sensing. № 62(9), , 1996. С. 10251036.
11. O. Chum, J. Matas. Matching with PROSAC -Progressive Sample Consensus. Proceedings of IEEE Com-
puter Society Conference on Computer Vision and Pattern Recognition. № 1, 2005. С. 220-226.
12. Кривцов О.А. Кориков А.М. Инверснокомпозитный алгоритм регистрации изображений. RSDn Magazine, №1, 2010г.
13. Белова Е.И., Ершов Д.В. Предварительная обработка временных серий изображений Landsat-TM/ETM+ при создании безоблачных композитных изображений местности. Современные проблемы дистанционного зондирования Земли из космоса. - М., том 8, №1, 2011, С. 73-82.
14. Селиванов П.Ю. Адаптивный метод выделения полей облачности на космических снимках высокого разрешения. - Вестник ВГТУ. - 2011. - Том 7, №6. - С. 188-193.
Воронежский государственный технический университет
ANALYSIS OF THE KNOWN METHODS OF CLOUD FIELDS’ DEFINITION. AUTOMATED TECHNOLOGY OF ZERO PERCENT CLOUD RASTER MAPS CREATION P.Yu. Selivanov
The article deals with the modern methods of atmospheric correction and determination of cloud fields in aerospace images. The technology of obtaining zero percent cloud images based on series of multi-temporal aerospace images is suggested.
Key words: satellite images, cloud field
