CC BY
25
УДК 528.71:629.78 А.С. Алферова СГГА, Новосибирск
ИСПОЛЬЗОВАНИЕ ВЕЙВЛЕТ-АНАЛИЗА ДЛЯ ВЫЯВЛЕНИЯ ИЗМЕНЕНИЙ ПРИ МОНИТОРИНГЕ ТЕРРИТОРИЙ ПО КОСМИЧЕСКИМ СНИМКАМ
A.S. Alfyorova SSGA, Novosibirsk
APPLICATION OF WAVELET-ANALYSIS FOR DETECTING TRANSFORMATIONS IN TERRITORY MONITORING BY SATELLITE IMAGES
Wavelet- transform permits to preserve objects structure excluding small-scale minor details. On this basis we are to find out if wavelet-analysis can be applied for detecting transformations in territories monitoring by satellite images.
Вейвлет-преобразование является достаточно распространенным способом обработки данных. Об этом говорит большое количество литературы, посвященной данному методу.
В основном вейвлет-анализ используют при сжатии данных, так как он позволяет восстанавливать информацию с потерей только незначительных мелкомасштабных деталей [1]. В целом, вейвлет-анализ можно использовать там, где необходимо исследовать данные как в крупном масштабе (при большом увеличении) для выявления локальных особенностей, так и в мелком, для прослеживания глобальных закономерностей.
Термин «вейвлет» (wavelet) в переводе с английского означает «маленькая (короткая) волна». Изображение представляет собой двумерный дискретный сигнал и для его обработки соответственно используют двумерное дискретное вейвлет преобразование, которое выражается следующими формулами [1]:
y m-in-1
К С/о ,т,п) = -j== X X /О, У)(рн^п (х, у), (1)
1 m-1n-1
w; а т, п) = -== X X f(x, у)цг) п п (*, у), i = {Я, V, D}, (2) ylMN ttU
где jo - произвольный начальный масштаб;
W (J0,m,ri) - коэффициенты, определяющие приближение функции fix,у) в масштабе jo;
W^(j,m,n) - коэффициенты, определяющие горизонтальные, вертикальные и диагональные детали для масштабов j > j'q ;
<PJo^„(x,y) - масштабирующая функция;
У),т,п <Л У) ~ вевлет-функция i = {Я, V, D).
Обычно N = М = 27, так что ] = 0,1,2,..., У -1 и т,п = ОД,2,... ,21 -1.
Выявление изменений на основе спектральных признаков не является универсальным методом, так как спектральные характеристики зависят от таких факторов как сезон, состояние атмосферы и др. Структурные признаки являются более устойчивыми, под ними понимаются как яркостные, так и геометрические характеристики объектов. В связи с этим необходимо разработать метод, который бы с высокой точностью выявлял структурные признаки объектов, на основе которых можно было бы определять изменения произошедшие на участке мониторинга. Использование для этой цели вейвлет-преобразования уже было освещено в литературе [1] и доказано, что данное преобразование выделяет контура и убирает мелкие незначительные детали.
В данной статье речь пойдет о возможности использования вейвлет-анализа для выявления изменений при мониторинге территорий по космическим снимкам.
Для исследования были выбраны фрагменты изображения приведенные на рис. 1.
Рис. 1. Изображения выбранных фрагментов в панхроматическом канале
Как видно из рис. 1, были выбраны фрагменты с изображением водной поверхности, водной поверхности с берегом, лесного массива, вырубки, городской застройки без растительности и с растительностью.
Для определения изменений в исходные изображения были искусственно внесены изменения (рис. 2).
Изображения лесного массива и вырубки будем считать как исходное и с изменениями, так как эти участки находятся рядом на снимке.
Вейвлет-преобразование выполнялось в программе MatLab с использованием пакета Wavelet Toolbox.
Изображения всех выбранных объектов с изменениями и без изменений в разных каналах по очереди загружались в Wavelet Toolbox. Далее для каждого изображения выполнялось трех уровневое вейвлет - преобразование с использованием функций Хаара. Программа позволяет выполнять
преобразование до 5 уровня, но для данных изображений после третьего уровня теряется информативность (рис. 3).
Кроме визуального анализа, который показал, что выполнять вейвлет-разложение далее чем до 3 уровня - бессмысленно, было рассчитано значение корреляции между исходными изображениями и изображениями с внесенными изменениями. Эксперимент показал, что с увеличением уровня разложения, увеличивается и значение коэффициента корреляции. Это означает, что выявить произошедшие изменения будет труднее.
На рис. 4 изображены примеры вейвлет-разложений в виде блочной матрицы. В верхнем левом углу изображены коэффициенты приближения, в трех смежных блоках - детализирующие коэффициенты: горизонтальные, вертикальные и диагональные [2].
Рис. 3. Изображение, полученное вейвлет-преобразованием на 3 уровне
Рис. 4. Трехуровневое вейвлет-разложение изображений
Рис. 4 подтверждает то, что при вейвлет-преобразовании изображений структурные признаки, такие как контура, сохраняются, а мелкие детали отбрасываются. Для достижения лучшего результата необходимо учитывать, что изображения объектов местности в отдельных спектральных каналах различаются. Так как исследования выполнялись с использованием изображений разных объектов в 5 каналах, можно сделать следующие выводы: такие поверхности как вода, берег, вырубка лучше обрабатывать в ближнем инфракрасном канале, а изображения застройки с растительностью - в голубом, зеленом или красном каналах.
Теперь сравним 2 вейвлет-разложения изображений - исходного и с изменениями (рис. 5).
Рис. 5. Вейвлет-разложения исходного изображения и с изменениями
Таким образом, из рис. 5 можно сделать вывод, что вейвлет-анализ возможно использовать для выявления изменений. Но мониторинг территорий по космическим снимкам подразумевает автоматизацию выполняемых операций. Значит следующий шаг в исследовании вейвлетов - поиск программных инструментов для автоматического определения произошедших изменений.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Гонсалес, Р., Вудс, Р. Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2005. - 1072 с.
2. Смоленцев, Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB [Текст] / Н.К. Смоленцев. - М.: ДМК Пресс, 2005. - 304 с.
© А.С. Алферова, 2009
