CC BY
128
УДК 528.7
А.П. Гук, Л.Г. Евстратова, А.С. Алферова, И.И. Чикулаева, А.А. Гук СГГА, Новосибирск
ИССЛЕДОВАНИЕ ВОЗМОЖНОСТЕЙ ПРОГРАММНОГО КОМПЛЕКСА ENVI ДЛЯ МОНИТОРИНГА ТЕРРИТОРИЙ ПО КОСМИЧЕСКИМ СНИМКАМ
A.P. Guk, L.G. Yevstratova, A.S. Alfyorova, I.I. Chikulayeva, A.А. Guk SSGA, Novosibirsk
RESEARCH OF POSSIBILITIES OF PROGRAM COMPLEX ENVI FOR MONITORING OF TERRITORIES ON SPACE IMAGING
The paper presents the procedures of ENVI, types Change Detection and Computer Difference Map as well as Band Math. The possibilities of Fourier- and wavelet spectrum analysis have been analyzed as well as base vectors and proper values received through image translation by principal component method in order to detect changes on the site under monitoring.
На первом этапе разработки технологии мониторинга рассматривались возможности ENVI для реализации методик дешифрирования космических снимков в системах мониторинга.
Методы, основанные на анализе вектора яркостей многоспектрального изображения включают: выделение обучающих областей ROI, кластерный анализ, управляемая классификация, Change Detection, а так же методы исследования пространственных спектров изображений.
Пусть задано многозональное изображение Pj ,Р/1F\К , где К -количество каналов.
Выделение обучающих областей ROI. В ENVI предлагаются различные методы классификации, основанные на выделении так называемых «областей интереса» ROI - обучающих областей на снимках, которые могут быть построены как визуально, так и в интерактивном и автоматическом режимах.
С помощью ROI возможно выделять области, имеющие определенные спектральные характеристики в двух спектральных каналах. Совместное
распределение яркостей в двух различных каналах P1 и P может быть представлено виде двумерного графика распределения. На этом графике можно выделить интересующую нас область, которая затем формируется на исходном изображении. Таким образом, возможен визуальный анализ спектральных признаков, и визуальное деление на классы. На рис. 1 показан пример распределения яркости участка городской территории в красном и инфракрасном каналах изображения, полученного со спутника IKONOS.
Кластерный анализ - когда деление на области происходит в автоматическом режиме на основе нескольких заданных критериев. В ENVI имеется два алгоритма для выполнения кластерного анализа: ISODATA и K-Means.
Для работы с алгоритмом ISODATA следует задать центры кластеров и способы вычисления расстояния между классами.
Рис. 1. Диаграмма рассеяния и выделение области ROI
Для работы K-Means требуется задать количество классов на заданном участке изображения.
Управляемая классификация. ENVI имеет возможность выполнять управляемую классификацию. То есть классификацию, основанную на обучении на основе выбранных эталонных областей (ROI).
Для разделения областей используются несколько известных методов:
- Метод параллелепипедов (Parallelepiped);
- Минимального расстояния (Minimum distance);
- Максимального правдоподобия (Maximum likelihood);
- Махаланобисово расстояние (Mahalanobis Distance);
- Бинарное кодирование (Binary Encoding);
- Нейронные сети (Neurul set).
Таким образом, ENVI содержит большинство, используемых в настоящее время решающих правил основанных на применении различных алгоритмов. Выполнение классификации возможно в автоматическом и интерактивном режимах.
Кроме того, в ENVI имеется удобный аппарат для построения многоуровнего правила принятия решения, которое называется - дерево решений (Decision Tree).
Change Detection Analysis. В ENVI имеется три средства для обнаружения изменений:
- Change Detection Statistics - для расчета статистических характеристик для классифицированных изображений;
- Compute Difference Map - расчет разностного изображения по любым двум изображениям. Разностное изображение получается путем вычитания яркостей каждого элемента исходного (первичного) изображения и соответствующего элемента второго (измененного) изображения;
- Change Detection PCA - основан на сравнении изображений главных компонент.
Однако следует заметить, что такие инструменты малоэффективны для анализа реальных изменений при мониторинге территорий. Это связано с изменчивостью яркостей одного и того же объекта в зависимости от условий съемки. Кроме того наличие «шумов» затрудняет анализ. Требуется подбирать порог для выделения «значимых» различий. Compute Difference Map можно использовать при визуальном анализе изменений, однако, для автоматического выделения изменений использовать эту процедуру не эффективно. Экспериментальные работы наглядно подтвердили этот вывод.
Спектральные библиотеки. Важным инструментом ENVI для анализа изображений и классификации данных являются процедуры спектрального анализа многоспектральных данных. Сюда входят процедуры Spectral Slices -для получения профилей спектральных яркостей вдоль заданной оси: N -мерный визуализатор - для группировки элементов по однородным спектральным яркостям в N -мерном канале, а так же имеется спектральная библиотека, которая может служить в качестве эталонов для классификации объектов.
Инструменты для анализа растительности. В ENVI имеется 27 вегетационных индексов, которые позволяют по яркостям элементов в различных спектральных каналах анализировать состояние растительности. Этот инструмент может также использоваться для нормирования изображений.
Как было показано в [1], нормирование позволяет исключить ряд факторов, связанных с влиянием атмосферы, формированием изображения и другие. В [1] было показано, что нормирование по базовым элементам дает хороший результат и позволяет использовать нормированные яркости, как признак состояния объекта.
Основным условием, которое предполагает эффективность применения нормирования основываясь на том, что космические съемочные системы высокого разрешения имеют маленький угол поля зрения, что обеспечивает «почти одинаковое» влияние различных факторов на систему формирующую изображение.
Второй фактор - это то, что если исследуемые участки имеют достаточно ограниченные размеры, то есть влияние внешних факторов будет примерно одинаковым.
Таким образом, для анализа изображений на основе спектральных признаков ENVI имеет достаточно широкие возможности. Кроме того, интерфейс для работы с изображениями на наш взгляд более удобен, чем,
например, у ERDAS. Однако, основное преимущество ENVI заключается в возможности использования внутреннего языка IDL, который позволяет встраивать собственные процедуры используя интерфейс ENVI для работы с изображениями.
Средства ENVI для исследования спектральных признаков
Спектральные признаки основаны на частотном представлении изображения. Это может быть фурье-преобразование, или разложение по другим базисным функциям, например, Хаара, Адамара или Уолша.
В ENVI имеется алгоритм быстрого преобразования фурье «FFT Filtering», алгоритм «Texture» и алгоритм Wavelet Analysis.
Другие средства изучения пространственных спектров изображений отсутствуют.
Таким образом, ENVI мало приспособлен для пространственно -спектрального анализа. Однако следует отметить, что в ENVI имеется встроенный язык программирования IDL, который позволяет использовать дополнительные процедуры, имеющиеся в других программных комплексах, применяемых специально для анализа изображений.
В рамках настоящего исследования использовалась процедура FFT для изучения пространственных спектров изображений эталонных участков. Для сравнения спектров использовались процедуры «Band Math», «Compute Difference Map» и вейвлет-анализ.
На данном этапе были проведены исследования различных признаков эталонных участков изображений космических снимков. Цель исследования -выявить устойчивые признаки эталонного участка, которые в дальнейшем можно использовать для оценки изменений, которые произойдут на объекте.
Экспериментальные исследования проводились по следующим направлениям:
- Исследование спектральных свойств эталонных участков изображения. Цель исследования - получить дискретные фурье-образы изображений различных типовых участков местности и оценить как изменяется фурье-образ при появлении новых объектов на эталонных участках;
- Исследование возможности выявления изменений на основе процедуры «Change Detection» и использовании различных пороговых операторов;
- Исследование возможностей вейвлет - анализа (на основе использования базисных функций Хаара) для выбора устойчивых признаков участка территории и возможности выявления изменений.
Исследование пространственных спектров изображений
Для проведения исследования было выбрано 4 эталонных участка в 5 спектральных каналах. Для каждого из снимков выполнялось преобразование фурье FFT и был получен спектр участка. Затем в исходные изображения вносились изменения путем сдвига участка изображения на некоторую величину Л . В результате менялась общая картина и соответственно структура изображения. Далее выполнялось преобразование фурье измененных изображений. На рис. 2 показаны результаты обработки одного из участков.
Анализ показывает, что происходят незначительные изменения в спектре одного и того же изображения в различных каналах. Незначительные изменения объясняются различной детальностью изображений в различных спектральных каналах.
Рис. 2. Фрагменты изображения и их Фурье - образ
Анализ спектров исходного и преобразованного изображений показывает существенные изменения распределения яркостей в спектре изображения. Кроме того, ясно видно, что спектры различных эталонных участков различны и могут служить признаком соответствующего участка.
Для улучшения изображений спектра к нему применили фильтрацию Low Pass Gaussian и изменение гистограммы (см. рис. 2).
Экспериментальные работы по исследованию вейвлет-преобразования для получения структурных признаков эталонных участков
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.
- преобразование
Рис. 3. Пример вейвлет-разложения изображения
Таким образом, можно сделать вывод, что возможно использование вейвлет-разложения по базисным функциям Хаара для выявления структурных признаков. Но для изучения изменений элементов вейвлет-разложения следует использовать корреляционную функцию.
Исследование процедур типа «Change Detection» использующих яркостные признаки для выявления изменений на объекте
Для проведения исследования было выбрано 2 эталонных участка в трех спектральных участках. На первом этапе, на изображении объекта-эталона был нанесен новый объект (с использованием средств Photoshop). Изображения сравнивались путем использования процедур Change Detection и Band Math. Затем рассматриваемое изображение подвергалось различной пороговой обработке для лучшего выделения объекта (рис. 4).
На втором этапе сравнивались два изображения на один и тот же эталонный участок, полученные с разных снимков. Предварительно было выполнено трансформирование снимков. Результат представлен на рис. 5
Рис. 5. Обработка изображения с помощью Change Detection (стандартные параметры 11 классов)
Анализ результатов показал, что процедура получения поэлементного разностного изображения не позволяет однозначно выявлять изменения на эталонных участках, и даже пороговая обработка не обеспечивает получение однозначного результата.
В результате выполненных исследований можно сделать следующие выводы.
1. Структурные признаки изображений объектов и типовых участков на многозональных снимках являются наиболее устойчивыми и могут служить надежным индикатором наличия изменений на участке мониторинга.
2. В качестве структурных признаков целесообразно использовать пространственный спектр участка изображения и компоненты вейвлет-разложения по базисным функциям Хаара. Для изучения изменений пространственного спектра и элементов вейвлет-разложения следует использовать корреляционную функцию.
3. Процедуры ENVI типа Change Detection и Computer Difference Map, а так же использование Band Math не позволяет однозначно выявлять изменения на изображении. Такие процедуры являются неустойчивыми даже при незначительном влиянии внешних факторов на изображение.
4. Базисные векторы и собственные значения, полученные при преобразовании изображения по методу главных компонент, могут служить дополнительным индикатором изменений на участке мониторинга.
5. Дальнейшие исследования будут направлены на формирование деревьев решений, выявляющих структурные и яркостные свойства многозональных изображений.
6. Нормирование изображения по базовым объектам дает улучшение результатов, повышает устойчивость признаков - индикаторов изменений на эталонных участках.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. ОТЧЁТ по хоздоговорной теме № 19/07П/1476-07 «Разработка методики и технологии использования ENVI для автоматизирования тематического дешифрирования». Этап 1 : «Создание пилотного проекта и составление технических условий» - 2008. - 90 с.
2. Р. Гонсалес, Р. Вудс Цифровая обработка изображений. - Москва: Техносфера, 2006 - 1072 с.
3. Прэтт, У. Цифровая обработка изображений [Текст]. В 2-х т. Т. 1, 2 / У. Прэтт. -М.: Мир, 1982. - 285 с.
© А.П. Гук, Л.Г. Евстратова, А.С. Алферова, И.И. Чикулаева, А.А. Гук, 2009
