Научная статья на тему 'Использование градиентных фильтров для автоматизированного дешифрирования антропогенных объектов'

Использование градиентных фильтров для автоматизированного дешифрирования антропогенных объектов Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
171
61
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
КОСМИЧЕСКИЙ СНИМОК / ФИЛЬТР СОБЕЛЯ / АВТОМАТИЗИРОВАННОЕ ДЕШИФРИРОВАНИЕ / ВЕКТОРИЗАЦИЯ

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Арбузов Станислав Андреевич

В статье рассмотрена методика использования градиентного фильтра Собеля для повышения эффективности автоматизированного дешифрирования.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Арбузов Станислав Андреевич

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Использование градиентных фильтров для автоматизированного дешифрирования антропогенных объектов»

Аэрокосмические съемки и фотограмметрия

УДК 528.8

ИСПОЛЬЗОВАНИЕ ГРАДИЕНТНЫХ ФИЛЬТРОВ ДЛЯ АВТОМАТИЗИРОВАННОГО ДЕШИФРИРОВАНИЯ АНТРОПОГЕННЫХ ОБЪЕКТОВ

Станислав Андреевич Арбузов

Сибирская государственная геодезическая академия, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры фотограмметрии и дистанционного зондирования СГГА, тел. (923)188-42-49, e-mail: stan_i_slav84@mail.ru

В статье рассмотрена методика использования градиентного фильтра Собеля для повышения эффективности автоматизированного дешифрирования.

Ключевые слова: космический снимок, фильтр Собеля, автоматизированное дешифрирование, векторизация.

USE GRADIENT FILTERS FOR AUTOMATICDECODING OF ANTHROPOGENIC OBJECTS

Stanislav A. Arbuzov

Siberian State Academy of Geodesy, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., a postgraduate student , department of photogrammetry and remote sensing SSGA, tel. (923)188-42-49, e-mail: stan_i_slav84@mail.ru

Inarticle method of gradient Sobel filter usage for increasing efficiency automatic decoding is

given.

Key words: space image, Sobelfilter,automated decoding, vectorization.

Одной из главных особенностей антропогенных объектов, отображаемых на снимках, является их форма и читаемость контуров. При выявлении подобных объектов по яркостным признакам возникает проблема неразделимости классов, вызванная близостью значений яркости различных объектов, строящихся из материалов со схожими спектральными признаками (дороги, крыши домов, автостоянки и т. д.). По результатам классификации, как правило, практически невозможно отделить здания от дорог и открытого грунта. Для повышения достоверности автоматизированного дешифрирования снимков застроенных территорий, в представленной работе предлагается использовать контуры объектов, полученные при градиентной фильтрации, в качестве отдельного класса.

Для исследования методики использовался снимок QuickBird, полученный на городскую территорию в панхроматическом и многоспектральных каналах. Обработка выполнялась в программном комплексе ENVI. Набор инструментов программного комплекса ENVI содержит два распространенных градиентных фильтра: фильтр Собеля и фильтр Робертса. Результат применения этих алгоритмов для панхроматического изображения представлен на рис. 1. По рисунку видно, что разница между двумя изображениями незначительна, но в результа-

62

Аэрокосмические съемки и фотограмметрия

те применения фильтра Собеля наблюдается меньшее количество разрывов контуров.

а) б)

Рис. 1. Инвертированные изображения результатов фильтрации: а) фильтр Собеля; б) фильтр Робертса

Для увеличения пространственного разрешения многоканального снимка использовалась процедура pansharpening. Далее каждый из четырех каналов многоканального изображения подвергался градиентной фильтрации Собеля [1, 2]. Наихудшим образом границы антропогенных объектов были выделены в инфракрасном канале, в остальных трех каналах результат оказался примерно одинаковым.

Кроме зданий, фильтрацией было выделено множество контуров растительности, имеющих различную длину и яркость. Для удаления шумов, вызванных растительностью, было применено «маскирование» (рис. 2) [3].

Рис. 2. Маска растительности

Маска растительности строилась по изображению, полученому с помощью нормализованного индекса вегитации NDVI. Фрагменты изображения, удаленные маской при помощи инструмента BandMatch, были заменены аналогичными с присвоением среднего значения яркости окружающего фона (рис. 3).

63

Аэрокосмические съемки и фотограмметрия

Рис. 3. Результат применения маски и замены значений яркости

Затем проводилась фильтрация получившегося изображения фильтром Собеля. На рис. 4, а видим, что контуры зданий имеют перепады яркости. Для дальнейшего использования изображения при помощи бинаризации был выделен диапазон яркостей, таким образом, чтобы контуры объектов оставались замкнутыми (рис. 4, б).

Рис. 4. Выделение контуров: а) фильтрация Собеля; б) результат бинаризации

На получившемся бинарном изображении присутствуют контуры зданий, дорог и теней от различных объектов.

Для внесения информации о границах объектов в многоканальное изображение, контуры зданий, полученные на предыдущем этапе, инвертировались и домножались на красную компоненту снимка (рис. 5).

Далее выполнялась классификация многоспектрального снимка с измененным изображением в красном канале. Классификация производилась при помощи алгоритма «расстояние Махаланобиса». Обучающая выборка состояла из

64

Аэрокосмические съемки и фотограмметрия

10 эталонов, при этом контурная часть, полученая на предыдущем этапе, была отнесена в отдельный класс. На рис. 5 видно, что каждое здание состоит сразу из нескольких классов. Все классы, принадлежащие зданиям, были объединены (рис. 6).

Рис. 5. Изображение в красном канале с выделеным контуром

а) б)

Рис. 6. Результат классификации космического снимка с выделением контуров: а) до объединения классов; б) после объединения классов

Результаты классификации были векторизованы. Полученный векторный слой состоит из замкнутых объектов, что позволяет автоматически удалять или оставлять объекты нужной площади (рис. 7).

По рис. 7 видим, что предложенная методика позволяет достаточно эффективно проводить классификацию антропогенных объектов. Данный способ малоприменим для картографирования городской среды, но он позволяет приближенно оценить площади, занятые различными классами объектов, что может быть полезно при мониторинге различного уровня и назначения. Кроме того, полученный векторный слой вместе с плотной цифровой моделью поверх-

65

Аэрокосмические съемки и фотограмметрия

ности может использоваться для определения высот (этажности) зданий, что, возможно, повысит производительность труда при создании карт городских территорий [4].

а)

б)

в)

Рис. 7. Фильтрация векторного слоя:

а) удалены мелкие объекты (шум); б) оставлены только здания; в) оставлены только крупные объекты (крупные промышленные комплексы и дороги с парковками)

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005. -1072 с.

2. Кашкин В.Б., Сухнин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: учеб. пособие. - М.: Логос, 2001. - 264 с.

3. Implementation of automated interpretation and increasing of high resolution images geometrical properties when mapping urban territories / StanislavArbuzov // International Summer Student Seminar, 21-25 September 2010, Novosibirsk.

4. Гук А.П., Арбузов С.А. Использование цифровых моделей поверхности для дешифрирования зданий и выделения изменений объектов городской территории // Г еодезия и картография. - 2011. - № 3. - С. 24-28.

Получено 02.06.2011

© С.А. Арбузов, 2011

66

i Надоели баннеры? Вы всегда можете отключить рекламу.