CC BY
86
АВТОМАТИЗИРОВАННАЯ ОБРАБОТКА И АНАЛИЗ БОЛЬШИХ ПОТОКОВ ГИПЕРСПЕКТРАЛЬНОЙ АЭРОКОСМИЧЕСКОЙ ИНФОРМАЦИИ
Козинов
Игорь Александрович,
к.т.н., доцент, докторант
Военно-космической
академии имени А.Ф.Можайского,
г. Санкт-Петербург, Россия,
£
О
с
Ключевые слова:
аэрокосмическая система мониторинга; гиперспектральные данные; спектральный образ; спектральный канал; метод максимального правдоподобия; метод вейвлет преобразования.
При использовании гиперспектральной оптико-электронной аппаратуры современных аэрокосмических систем мониторинга появляются возможности «обмена» пространственного разрешения на спектральное и автоматизированного распознавания объектов наблюдения по спектральным признакам. Гиперспектральные данные характеризуются большими объемами и, вследствии ограниченных пропускной способности радиоканалов передачи информации и производительности автоматизированных рабочих мест тематической обработки видеоданных, не позволяющими реализовы-вать их оперативную передачу, обработку и анализ. Методы решения проблемы: Объемы гиперспектральной информации можно минимизировать за счет выбора наиболее информативных спектральных каналов. В результате такой оптимизации формируются выборки снимков, полученных в различных наиболее информативных спектральных каналах, которые при размерности, существенно более низкой, чем число каналов гиперспектральной системы, обеспечивают качественное решение задачи тематической обработки. Математически задача выбора наиболее информативных спектральных каналов для пикселя гиперспектрального датчика формулируется как задача обнаружения координат изменения свойств дискретного спектрального образа, описываемого совокупностью спектральных составляющих. Совокупность составляющих дискретного спектрального образа в области анализа рассматривается как последовательность независимых случайных гауссовских величин с дисперсией и кусочно-постоянным средним, которое скачкообразно изменяется при переходе от одной дискретной координаты к другой. Представлено решающее правило алгоритма решения поставленной задачи с использованием методов статистического оценивания в виде решающей статистики для обнаружения и оценки максимального правдоподобия координаты (спектрального канала) изменения свойств (скачков, разладки) анализируемого процесса. Последовательное применение данного алгоритма к выборке значений спектральных составляющих позволяет определить номера наиболее информативных спектральных каналов. Предложено использование свойств вейвлет-преобразования для обнаружения координат изменения свойств дискретного спектрального образа. Основными операциями обработки сигналов при обнаружении их локальных свойств (особенностей) является анализ вейвлет-коэффициентов малых масштабов и определение интервала корреляции функции, описывающей сигнал. Применение предложенных методов сокращения избыточности гиперспектральных видеоданных позволит обеспечить согласование информационной производительности гиперспектральной аппаратуры с пропускной способностью радиоканалов передачи информации и информационной производительностью автоматизированных рабочих мест тематической обработки. Практическое использование предложенных методов, демонстрирует их работоспособность и позволяет получить выигрыш в вероятности распознавания по сравнению с выбором спектральных каналов простым равномерным «прореживанием» данных.
Аэрокосмический мониторинг является быстро развивающейся областью деятельности. Одним из его наиболее перспективных направлений является применение инновационных гиперспекгральных методов и технологий. В настоящее время гиперспекгральная аэрокосмическая информация применяется в интересах исследования и рационального использования природных ресурсов, охраны окружающей среды, предупреждения и ликвидации последствий природных катастроф и техногенных аварий, метеорологии и климатологии, лесного и сельского хозяйства, транспорта, городского планирования в интересах фундаментальных наук о Земле и решения задач обороны государства [1-3].
Основной отличительной особенностью гиперспектральных методов мониторинга является возможность одновременного анализа пространственного распределения и спектральных характеристик наблюдаемых объектов, процессов и явлений. При этом используется «гиперкуб» данных, состоящий из строк и столбцов, формирующих матрицу пространственного распределения яркостей /, совместно с третьей координатой X, являющейся длиной волны регистрируемого излучения [1,3,4]. Гиперспектральные методы обладают широкими возможностями для обнаружения и распознавания различных объектов атмосферы, океана, суши, геологической среды, оценки их физико-химических свойств и определения других значимых характеристик, а также выявления их изменений. В настоящее время широкому применению гиперспекгральных изображений для аэрокосмического мониторинга препятствуют отсутствие достаточного количества космических аппаратов (КА) и воздушных носителей, оборудованных гиперспекгрометрами с требуемыми характеристиками, а также сложности, связанные с обработкой и интерпретацией больших потоков информации, формируемой этими приборами. В связи с этим для повышения эффективности использования гиперспектральных данных, поступающих при аэрокосмическом мониторинге, требуются более широкое применение гиперспекгральных датчиков, разработка и применение новых методов, технологий, программных и высокопроизводительных технических средств обработки информации, обеспечивающих повышение быстродействия и достоверности анализа больших объемов информации при решении широкого спектра тематических задач.
Основной особенностью обработки потоков изображений, поступающих в процессе аэрокосмического мониторинга, являются большие объемы исходной информации. Это в первую очередь относится к потокам гиперспекграль-ной информации. Проблема больших объемов гиперспектральной информации проявляется как на этапе ее передачи с борта КА или воздушного носителя на наземный пункт приема информации, так и в процессе ее последующей обработки и анализа. Так для передачи потребителям данных наблюдения в масштабе времени, близком к реальному, скорость передачи информации в радиоканале должна соответствовать скорости ее поступления от аппаратуры наблюдения. Требуемая скорость передачи информации от бортовой оптико-электронной аппаратуры (ОЭА) КА наблюдения в реальном масштабе времени определяется выражением [5]
K=VKASgb/AP, (1)
где VKA - скорость КА для заданной высоты полета НКА, S - ширина полосы обзора; А/ - линейное разрешение на местности; g - число разрядов для цифровой передачи элемента изображения; b - число спектральных каналов. Отношение N = AS/A/ дает число элементов разрешения бортовой ОЭА в полосе обзора. Пологая, что скорость КА VKA соответствует первой космической скорости для круговой орбиты высотой НКА, тогда выражение (1) для скорости потока данных, поступающих от бортовой ОЭА наблюдения, может быть преобразовано к виду
где ^ = 3,986-105 км3с"2 - гравитационная постоянная, R3= 6387 км - радиус Земли. При согласовании размера элемента (пикселя) фоторегистрирующего устройства ОЭА с ее разрешающей способностью число элементов разрешения ^определяется числом элементов в строке матричного фотоприемника.
Расчеты с использованием формулы (2) показывают, что в режиме непосредственной передачи потока видеоданных нескольких спектральных каналов от бортовой ОЭА наблюдения с линейным разрешением на местности А/ в единицы - десятки метров необходимо обеспечить скорости передачи информации в сотни Мегабит в секунду. С возрастанием требований к А/ и увеличением числа спектральных каналов требуемая скорость передачи видеоданных в реальном масштабе времени будет составлять единицы Гигабит в секунду.
Объемы регистрируемых бортовой ОЭА гиперспектральных изображений так же можно оценить с использованием выражения [1]
I = LlL2gb//l/2, (3)
где L , L2 - размеры сцены вдоль и поперек трассы, м; / /2 - пространственное разрешение вдоль и поперек трассы.
Расчеты по формуле (3) для современных гиперспектральных аэрокосмических систем наблюдения показывают, что объем информации, формируемой при гиперспекграль-ной съемке в пределах одного условного кадра, может составлять от 0,4 до 5,3 Гигабайт. Подобные объемы информации формируются и другими космическими системами, а также воздушными средствами мониторинга, в состав которых входит гиперспекгральная и многоспекгральная аппаратура. При этом такие объемы информации непрерывно растут и при комплексном аэрокосмическом мониторинге могут достигать до 0,5 Терабайт/сутки и более [1,6].
Решение проблемы больших объемов гиперспекграль-ной информации при ее передаче с борта носителя на наземный приемный пункт возможно за счет ее применения различных методов ее сокращения. Сокращение объема передаваемых гиперспекгральных видеоданных по линиям связи с ограниченной пропускной способностью в настоящее время осуществляется, в основном, за счет применения различных методов сжатия информации [7,8]. Уменьшение требуемой скорости передачи информации при этом определяется коэффициентом сжатия видеоданных. Однако ежа-
тие видеоданных с большими значениями коэффициентов сжатия (десятки и более), сопровождается потерей качества изображений, что во многих случаях недопустимо. Известны и находят применение методы сжатия видеоданных без, такие как Adaptive Binary Optimization (ABO), GIF, JPEG, Progressive Graphics File (PGF), Portable Network Graphics (PNG), Qbit Lossless Codec, TIFF, WMPhoto [4, 9]. Однако все методы сжатия видеоданных без потерь характеризуются невысокими значениями коэффициента сжатия (не более 3-4). Поэтому необходимо искать компромиссные способы сокращения исходного потока гиперспекгральных данных, позволяющие обеспечить высокие коэффициенты сжатия и при этом сохранить их информативность с точки зрения отображения спектральных характеристик регистрируемых на гиперспекгральном изображении объектов.
Процесс обработки и анализа больших потоков гиперспекгральных изображений характеризуется тем, что общий объем информации и высокая корреляция значительной части каналов приводят к неоправданно высоким вычислительным затратам при использовании в тематической обработке всех каналов гиперспекгрального изображения. Возникающая при этом проблема увеличения объема обучающих данных с количеством признаков неоднократно рассматривалась в литературе и получила название «проклятие размерности» [4]. Кроме того, в отечественной практике многие специалисты по тематическому дешифрированию используют, наряду с автоматическими методами обработки, визуально-интерактивный анализ, что требует выбора небольшого, но наиболее информативного подмножества каналов, по которым оператор-дешифровщик сможет визуально проводить анализ изображений.
Таким образом, указанные факторы приводят к тому, что для оперативной передачи и обработки больших потоков гиперспектральных видеоданных необходимо сокращение объемов передаваемой потребителям и обрабатываемой ими гиперспектральной информации.
Сокращения объемов гиперспекгральной информации можно реализовать за счет выбора ограниченного числа наиболее информативных (с точки зрения решения задач тематической обработки) спектральных каналов. Это позволит согласовать информационную производительность аппаратуры наблюдения с пропускной способностью существующих радиоканалов передачи информации и производительностью автоматизированных рабочих мест тематической обработки видеоданных. При этом выбор спектральных каналов для оперативной передачи и обработки может осуществляться на этапе планирования съемки, непосредственно в ходе съемки с оперативной передачей данных наблюдения потребителям или в процессе анализа и обработки полного объема зарегистрированных гиперспекгральных видеоданных. Во всех случаях при использовании ограниченного объема данных наблюдения, что эквивалентно их сжатию с потерями, потери не должны приводить к существенному снижению качества процессов тематической обработки данных наблюдения и распознавания объектов.
Таким образом, при тематической обработке гиперспектральных изображений по спектральным признакам
особое значение приобретает вопрос о количестве рабочих спектральных диапазонов (каналов), необходимом для надежного и быстрого распознавания объектов. Учитывая высокую информативность и коррелированность гиперспекгральных данных, число спектральных каналов следует выбирать исходя из существенной спектральной размерности данных наблюдений, которая при распознавании природных объектов и техногенных объектов на фоне природной подстилающей поверхности определяется данными 6-8 наиболее информативных спектральных каналов [10,11]. С точки зрения процедуры распознавания объектов по спектральным образам, лежащей в основе тематической обработки, под наиболее информативными спектральными каналами следует понимать спектральные каналы, которые позволяют достичь вероятности распознавания, близкой к вероятности распознавания по полному объему гиперспекгральных видеоданных. Использование при распознавании объектов по спектральным признакам ограниченного числа наиболее информативных спектральных каналов, близкого к существенной размерности функций, описывающих спектральные излучательную и отражательную способность распознаваемых объектов, является одним из наиболее перспективных направлений дальнейшего развития аэрокосмических гиперспекгральных систем мониторинга.
Существует два подхода к сокращению избыточности полученных многоспекгральных данных [4]. Первый подход предполагает формирование системы анализируемых данных наблюдения, как некоторого линейного или нелинейного отображения (функции) множества исходных изображений, полученных в различных спектральных каналах, иными словами - синтез новых (вторичных) изображений, которые структурно или статистически отличаются от исходных изображений. Алгоритмически этот подход реализуется на основе методов проекций, главных компонент и их модификаций. Второй подход основывается на оценивании возможного вклада видеоданных каждого спектрального канала в решение поставленной задачи и выборе такой комбинации спектральных каналов, которые в совокупности наиболее эффективны в смысле выбранного критерия (например, при обеспечении достижения максимума некоторого функционала). Этот подход не предполагает создания новых изображений и, следовательно, не требует дополнительных преобразований видеоданных, поэтому ему отдается предпочтение в тех случаях, когда предполагается работа в режиме реального времени [12].
Для выбора наиболее информативных спектральных каналов при обработке данных аэрокосмических гиперспектральных систем мониторинга целесообразно использовать второй подход, не связанный с преобразованием исходных видеоданных и позволяющий выполнять распознавание наблюдаемых объектов с использованием их эталонных спектральных образов. Данный подход реализуется при спектральной выборке с выбором значений наиболее информативных спектральных каналов. При сокращении объема передаваемых данных за счет выбора значений наиболее информативных спектральных каналов осуществляется определение некоррелированных спектральных каналов,
соответствующих областям наиболее быстрого изменения (по оси частот) спектрального образа наблюдаемого объекта, имеющих наибольшее значение при корреляционном распознавании. Тем самым число спектральных каналов выбирается соответствующим существенной спектральной размерности данных наблюдений. Следует отметить, что метод спектральной выборки с выбором значений наиболее информативных спектральных каналов, как и метод спектральной выборки с объединением значений группы спектральных каналов, эквивалентен сжатию с потерями информации. Однако за счет оптимального выбора выделяемых для передачи спектральных каналов эти потери могут быть минимизированы, а коэффициент сжатия в многоспекграль-ных системах будет достигать десятков и даже сотен.
В основе большинства алгоритмов распознавания объектов по гиперспекгральным данным лежит процедура сравнения спектрального образа объекта и его эталона хранящегося в базе данных эталонов или сформированного в процессе обучения классификатора [4]. Сравнение осуществляется в соответствии с решающей, разделяющей классы, функцией, которая по конкретному вектору признаков ставит в соответствие номер класса, которому он принадлежит. Построение решающей функции не является тривиальной задачей. В настоящее время в качестве простых в реализации решающих функций используются: мера городского квартала, евклидово расстояние, мера нормированного городского блока и др. К числу классификаторов с более сложными решающими функциями, учитывающими распределения классов, относятся мера Махаланобиса, дивергенция, расстояния Бахаттачариа, Джеффриса-Матусита и др. [4,13].
Для большинства алгоритмов распознавания объектов по спектральным образам выбор наиболее информативных спектральных каналов гиперспекгральной аэрокосмической системы мониторинга состоит в определении спектральных составляющих, которые при распознавании дают наибольшую корреляцию зарегистрированного спектрального образа с эталонным спектральным образом. Исходя из свойств корреляционной функции очевидно, что при корреляционном распознавании по спектральным образам наибольший вклад в величину коэффициента корреляции дают спектральные составляющие, соответствующие участкам наиболее быстрого изменения спектрального образа наблюдаемого объекта /(Г), на которых функция, описывающая спектральный образ, имеет некоторые локальные особенности и существенные изменения в характере поведения. Такие изменения свойств при анализе временных сигналов и процессов в динамических системах получили название разладки [14]. Математически данная задача может быть сформулирована как задача обнаружения изменения свойств анализируемого процесса, и ее строгое решение с использованием методов статистической оптимизации [15] дает возможность получения оптимального (в указанном смысле) решения задачи выбора спектральных каналов для распознавания по ограниченному объему многоспекгральных данных в виде решающей статистики для оценки максимального правдоподобия координат скачков с использованием модифицированного алгоритма кумулятивных сумм с настраиваемым скользящим окном [16].
В рассматриваемом случае имеем следующее правило принятия оптимального решения при оценке координаты скачка & [16]:
, > 075 VJ
'"■Кк = тах 1 гт — + "\*1{) + п-Г> (4)
к < V, 2
Щ
где р, - среднее до скачка, р, - среднее после скачка, с/2 -дисперсия значений I ,1м анализируемой функции спектрального образа, М - количество спектральных каналов, 8 - порог принятия решения о наличии скачка функции спектрального образа в точке с координатой к, и - размер скользящего окна /... /к+п в пределах которого осуществляется поиск скачка функции спектрального образа определяемы интервалом корреляции анализируемой функции спектрального образа. Последовательный анализ всех отсчетов функции описывающей анализируемый спектральный образ с использованием решающего правила (4) позволяет выявить все существенные изменения (скачки) функции спектрального образа и соответственно определить номера наиболее информативных спектральных каналов.
В развитие алгоритма обнаружения последовательности скачков анализируемой функции на основе вычисления кумулятивных сумм [16] с настраиваемым скользящим окном разработан алгоритм вейвлет преобразования спектрального образа [17] являющийся квазиоптимальным по отношению к алгоритму, основанному на анализе отношения правдоподобия. Свойства вейвлет-преобразования позволяют путем последовательного увеличения (огрубления) или уменьшения (уточнения) масштаба выявлять локальные особенности анализируемого сигнала и подразделять их по интенсивности. Тем самым обнаруживается динамика изменения сигнала в зависимости от масштаба, не всегда уловимая при анализе свойств сигнала «невооруженным глазом». Если резкие скачки (изменение гладкости функции описывающей сигнал) во многих случаях визуально легко различимы, то взаимодействие событий на мелких масштабах, перерастающие в крупномасштабные явления, визуально обнаружить очень сложно. И наоборот, сосредоточившись только на мелких деталях, можно не заметить явлений, происходящих на глобальном уровне. Основными операциями вейвлет обработки спектральных образов при обнаружении их локальных свойств (особенностей) является анализ вейвлет-коэффициентов малых масштабов и определение интервала корреляции функции, описывающей спектральный образ.
В общем виде вейвлет-преобразование функции спектрального образа можно представить в виде [18]
иг/Ж) = ¿Д-' к)/(т), (5)
где а0 = 2, а. = а^ - параметр сжатия и растяжения материнской функции вейвлета, Ъ&к = к а- параметр сдвига материнской функции вейвлета,. - масштаб вейвлет-пре-образования,/(т) - функция, описывающая спектральный образ, т = 1...М - номера спектральных каналов, к - индекс параметра сдвига.
RF TECHNOLOGY AND COMMUNICATION
nkg
При определении наиболее информативных спектральных каналов проводится анализ вейвлет-коэффициентов !№(/, к)| выбранных масштабов/'^,.. / оценка координаты Хк наиболее информативного спектрального канала, задаваемой ее номером к в соответствии с выражением [17]
к = arg шах
где Ь - число учитываемых масштабов. Соответственно решающее правило для оценки координаты скачка определяется выражением
gk - шах
H
>S.
В качестве наиболее информативных выбираются те спектральные каналы, для которых абсолютные значения соответствующих их позициям вейвлет-коэффициентов | WI(j,k)\ или их сочетаний, превышают уровень порога 8. При L =1 анализируются вейвлет-коэффициенты одного масштаба. При этом за счет выбора модификации вейвлет-функции и анализируемого масштаба достигается уменьшение влияния шума на результаты выбора спектральных каналов.
Таким образом, применение предложенных методов сокращения избыточности гиперспекгральных видеоданных позволит разрешить сложившуюся проблему и позволит обеспечить согласование информационной производительности гиперспектральной ОЭА аэрокосмических систем мониторинга с пропускной способностью радиоканалов передачи информации на наземный приемный пункт и информационной производительностью автоматизированных рабочих мест тематической обработки гиперспектральных изображений. Предложенные методы характеризуется простотой технической реализации. Практическое использование предложенных методов, демонстрирует их работоспособность и возможность настройки с хорошей повторяемостью выбора наиболее информативных спектральных каналов в областях наиболее существенных изменений анализируемых типовых спектральных образов и позволяет получить выигрыш в вероятности распознавания по сравнению с выбором спектральных каналов простым равномерным «прореживанием» данных.
Литература
1. Бондур В.Г. Современные подходы к обработке больших потоков гиперспекгральной и многоспекгральной аэрокосмической информации // Исследование Земли из космоса. 2014. № 1. С. 3-17.
2. Люхин A.B., Умбиталиев A.A. Задачи космических оборонных видеоинформационных систем. Вопросы радиоэлектроники, сер. Техника телевидения. 2013. Вып. 2. С. 3-14.
3. Мальцев Г.Н., Козинов И.А., Данилкин А.П. Кос-
мические системы и технологии многоспектрального дистанционного зондирования Земли // Информация и космос. 2010. № 1. С. 148-158.
4. Шовенгердт P.A. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера. 2010. 560 с.
5. Козинов И.А. Передача данных дистанционного зондирования земли с космических аппаратов наблюдения // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. 2012. № 2. Ч. 3. С. 102-106.
6. Козодеров В.В., Кондранин Т.В., Дмитриев Е.В., Казанцев О.Ю., Персеев И.В., Щербаков М.В. Обработка данных гиперспекгрального аэрокосмического зондирования // Исследование Земли из космоса. 2012. № 5. С. 3-11.
7. Сэломон Д. Сжатие данных, изображения и звука: пер. с англ. М.: Техносфера. 2004. 368 с.
8. Миано Дж. Форматы и алгоритмы сжатия изображений в действии: пер. с англ. М.: Триумф. 2003. 336 с.
9. Motta G., Rizzo F., Storer J.A. Hyperspectral Data Compression. New York. Springer Science and Business Media Inc. 2006. 421 p.
10. Тарасов B.B., Якушенков Ю.Г. Многоспекграль-ные оптико-электронные системы // Специальная техника. 2002. №4. С. 56-62.
11. Дейвис Ш.М. и др. Дистанционное зондирование: количественный подход. М.: Недра. 1983. 415 с.
12. Мальцев Г.Н., Козинов И.А., Фатеев В.Ф. Методы выбора наиболее информативных спектральных каналов при дистанционном зондировании Земли с малых космических аппаратов // Известия вузов. Приборостроение. 2007. №6. С. 23-31.
13. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.:Техносфера. 2006. 616 с.
14. Жиглявский A.A., Красковский А.Е. Обнаружение разладки случайных процессов в задачах радиотехники. Л.: ЛГУ 1988. 224 с.
15. Бассвиль М., Вилски А., Банвенист А. Обнаружение изменения свойств сигналов и динамических систем: пер. с англ. М.: Мир. 1989. 280 с.
16. Козинов И.А., Мальцев Г.Н. Модифицированный алгоритм обнаружения разладки случайного процесса и его применение при обработке многоспекгральных данных // Информационно-управляющие системы. 2012. № 3. С. 9-17.
17. Козинов И.А. Обнаружение локальных свойств анализируемых сигналов и процессов с использованием вейвлет-преобразования // Информационно-управляющие системы. 2015. № 1 (74). С. 21-28.
18. Малла С. Вэйвлеты в обработке сигналов: пер с англ. М.: Мир, 2005. 671 с.
Для цитирования:
Козинов И.А. Автоматизированная обработка и анализ больших потоков гиперспектральной аэрокосмической информации // Наукоемкие технологии в космических исследованиях Земли. 2016. Т. 8. № 5. С. 57-62.
THE AUTOMATED PROCESSING AND THE ANALYSIS OF LARGE FLOWS OF THE HYPERSPECTRAL AEROSPACE INFORMATION
Igor A. Kozinov,
St. Petersburg, Russia, [email protected] Abstrart
At use of hyperspectral optic-electronic equipment of modern aerospace systems of monitoring there are capabilities of "exchange" of the space permission on spectral and the automated recognition of objects of supervision to spectral signs. Hyperspectral data are characterized in great volumes and, owing to the radio channels of information transfer limited to throughput and productivity of the automated workplaces of thematic processing of the video data, not allowing realizing their operative transfer, processing and the analysis. Methods of a solution of a problem: Volumes of the hyperspectral information can be minimized at the expense of selection of the most informative spectral channels. As a result of such optimization samples of the pictures received in various most informative spectral channels which at dimension, it is essential lower, than number of channels of hyperspectral system are formed, supply the qualitative solution of a problem of thematic processing. Mathematically the problem of selection of the most informative spectral channels for pixel of the hyperspectral sensor is formulated as a problem of detection of coordinates of change of properties of the discrete spectral image described by set of spectral components. Set of components of a discrete spectral image in the field of the analysis is considered as sequence independent casual Gauss values with dispersion and a mean average which in steps changes at transition from one discrete coordinate to another. The solving rule of algorithm of the solution of a task in view with use of methods of statistical estimation in the form of the solving statistics for detection and an estimation of the maximum credibility of co-ordinate (the spectral channel) changes of properties (jumps) analyzed process is presented. Consecutive application of the given algorithm to sample of values of spectral components allows to determine numbers of the most informative spectral channels. Use of properties of wavelet-transformation for detection of co-ordinates of change of properties of a discrete spectral image is offered. The basic operations of processing of signals at detection of their local properties (features) is the analysis of wavelet-factors of small scales and definition of an interval of correlation of the function describing a signal. Application of the offered methods of reduction of redundancy of hyperspectral video data will allow to supply the coordination of information productivity of hyperspectral equipment with throughput of radio channels of information transfer and information productivity of the automated workplaces of thematic processing. Practical use of the offered methods, demonstrates their functionability and allows to receive a prize in probability of recognition in comparison with selection of spectral channels simple uniform "thin out" data. Keywords: aerospace system of monitoring; hyperspectral data; spectral image; spectral channel; maximum likelihood method; wavelet transformations.
References
1. Bondur V.G. Modern approaches to the treatment of large flows of hyperspectral and multispectral information. Issledovanie Zemli
iz kosmosa. 2014. No 1. Pp. 3-17. (In Russian).
2. Lyukhin A.V., Umbitaliev A.A. Tasks video information systems and space defense. Voprosyi radioelektroniki, ser. Tehnika televid-eniya. 2013. Vol. 2. Pp. 3-14.
3. Maltsev G.N., Kozinov I.A., Danilkin A.P. Space Systems and Technologies Interned for Multispectral Remote Sensing of the Earth. Informatsiia i kosmos, 2010, No. 1. Pp. 148-158. (In Russian).
4. Shovengerdt R.A. Distantsionnoe zondirovanie. Modeli i meto-dyi obrabotki izobrazheniy [Remote sensing. Models and methods of image processing]. Moscow, Technosphere. 2010. 560 p. (In Russian).
5. Kozinov I.A. The transfer of remote sensing data from satellites observing. Izvestiya Yugo-Zapadnogo gosudarstvennogo universi-teta. Seriya Upravlenie, vyichislitelnaya tehnika, informatika. 2012. No. 2. Part 3. Pp.102-106.
6. Kozoderov V.V. Kondranin T.V., Dmitriev E.V., Kazantsev O.J., Perseus I.V. Shcherbakov M.V. Processing hyperspectral sensing. Issledovanie Zemli iz kosmosa. 2012. No 5. Pp. 3-11.
7. Salomon D. Szhatie dannyih, izobrazheniya i zvuka [Data Compression, Image and Sound]. Moscow, Technosphere. 2004. 368 p. (In Russian).
8. Miano J. Formatyi i algoritmyi szhatiya izobrazheniy v deystvii [The formats and image compression algorithms in action]. Moscow, Triumph. 2003. 336 p. (In Russian).
9. Motta G., Rizzo F., Storer J.A. Hyperspectral Data Compression. New York. Springer Science and Business Media Inc. 2006. 421 p.
10. Tarasov V.V., Yakushenkov U.G. Multispectral optoelectronic systems. Spetsialnaya tehnika. 2002. No 4. Pp.56-62.
11. Davis Sh.M. and others. Distantsionnoe zondirovanie: kolichest-vennyiy podhod [Remote sensing: the quantitative approach]. Moscow, Nedra. 1983. 415 p. (In Russian).
12. Maltsev G.N., Kozinov I.A., Fateev V.F. Methods of Choice of the Most Informational Spectral Channels under Remote Flexing of the Earth from Small Spacecrafts. Izvestiia vuzov. Priborostroenie, 2007. No. 6. Pp. 23-31 (In Russian).
13. Gonzalez R., Woods, R., Eddins S. Digital image processing environment MATLAB. Moscow, Tekhnosfera. 2006. 616 p.
14. Zhigliavskii A.A., Kraskovskii A.E. Obnaruzhenie izmeneniia svoistv signalov i dinamicheskikh sistem [Detection of the Change-Point in Random Processes in Problems of Radio Engineering]. Leningrad, LGU Publ., 1988. 224 p. (In Russian).
15. Basseville M., Vilski A., Banveniste A., at al. Detection of Abrupt Changes in Signals and Dynamical Systems. New York, SpringerVerlag, 1985. 278 p.
16. Kozinov I.A., Maltsev G.N. Modified Algorithm of the Detection of Abrupt Changes in Casual Process and its use for Processing of Multispectral Data. Informatsionno-upravliaiushchie sistemy, 2012. No. 3. Pp. 9-17 (In Russian).
17. Kozinov I.A. Detection of the local properties of the analyzed signal and processes using wavelet transform. Informatsionno-upravliaiushchie sistemy. 2015. No. 1 (74). Pp. 21-28. (In Russian).
18. Mallat S.A Wavelet tour of signal processing. Paris, Academic Press, 1999. 671 p.
Information about authors:
Kozinov I.A., Ph.D., doctoral student, Military Space Academy.
For citation:
Kozinov I.A. The automated processing and the analysis of large flows of the hyperspectral aerospace information. H&ES Research. 2016. Vol. 8. No. 5. Pp. 57-62.
