CC BY
175
Вычислительные технологии
Том 18, Специальный выпуск, 2013
Методы и технологии обработки мульти-и гиперспектральных данных дистанционного зондирования Земли высокого разрешения*
О. И. Потлтуркин1'2, С.М. Борзов1, А. О. Потлтуркин1, С. Б. Узилов1 1 Институт автоматики и электрометрии СО РАН, Новосибирск, Россия 2Новосибирский государственный университет, Россия e-mail: potaturkin@iae.nsk.su
Предложены методы обработки мульти- и гиперспектральных спутниковых изображений высокого пространственного разрешения, предназначенные для их классификации и обнаружения антропогенных изменений на поверхности земли на основе анализа спектральных и структурных признаков.
Ключевые слова: классификация мульти- и гиперспектральных данных, спектральные и пространственные признаки, обнаружение пространственно-временных изменений.
Введение
В последние годы в области создания и развития средств и технологий дистанционного зондирования Земли (ДЗЗ) наблюдается стремительный прогресс. С каждым годом растет число спутников, получающих изображения высокого (1-10 м) и сверхвысокого (менее 1 м) пространственного разрешения в различных спектральных каналах. Всё более активно внедряются в практику методы и средства гиперспектральной съемки. Появились возможности использования данных ДЗЗ для решения ряда новых научных и прикладных задач, связанных с выявлением антропогенного воздействия на природные экосистемы. Однако существенное препятствие на пути их решения — это отсутствие подходящего инструментария для автоматизированного анализа и интерпретации данных. В частности, одним из важнейших и зачастую определяющим успех всей процедуры обработки этапом является сегментация изображений. В результате сегментации формируется множество областей (сегментов), которые содержат пиксели, похожие между собой по некоторым характеристикам, и в своей совокупности покрывают всё изображение. Это позволяет упростить дальнейшую процедуру обработки, поскольку объектами анализа являются уже не отдельные пиксели, а выделенные сегменты. В то же время при решении ряда задач (обнаружение незначительных изменений растительного покрова, мониторинг состояния водоёмов и т. п.) алгоритмы, основанные на предварительной сегментации, оказываются малоэффективными, поэтому требуется применение и дальнейшее развитие методов попиксельной обработки.
Целью данной работы является разработка методов классификации спутниковых изображений высокого разрешения, основанных на попиксельной и позонной обработке
* Работа выполнена при поддержке Президиума РАН (проект № 15.3), СО РАН (интеграционный проект № 74) и РФФИ (гранты № 11-07-00202, № 13-07-12202).
спектральных и пространственных признаков и позволяющих достичь высокой достоверности обнаружения целевых объектов при наблюдении как природных, так и антропогенных ландшафтов.
1. Классификация многоспектральных изображений
Картосхемы, полученные путём попиксельной спектральной классификации спутниковых изображений высокого разрешения, как правило, включают многочисленные вкрапления. Применение сглаживающих процедур их устраняет, однако приводит к искажениям малоразмерных объектов, таких как дороги, здания и т.п. [1].
В настоящей работе предлагается двухэтапный метод классификации спутниковых изображений высокого разрешения, основанный на совместной обработке спектральных и структурных признаков. На первом этапе выполняется спектральная классификация изображения 1(х, у) методом максимального правдоподобия по зонам интереса, выбранным оператором. Фрагменты картосхемы I(х,у) изображения спутника ШогЫУ1е'№ 2 представлены на рис. 1, а, б.
На рис. 1, в, г приведен результат сглаживания картосхемы путём выбора наиболее часто встречающегося класса скользящим окном. Данная процедура устраняет нежелательный шум спектральной классификации в природных зонах, однако в антропогенных она приводит к искажению картины. Видно, что для естественных и антропогенных зон при классификации изображений предъявляются различные требования к её масштабу.
На втором этапе для повышения качества классификации анализируемое изображение предложено разделить на природные и антропогенные зоны с помощью пространственных (структурных) признаков [2, 3]. Для этого целесообразно использовать функции отклика Харриса "угол" и "край"
Я = (еЛМ - 0М(ггаееМ)2, Ь = (ЬтасеМ)2 - МеЬМ, (1)
где
М=
Е ((х)
^ ((Л ^ ( ¿I
Е
(I
(х
(I
¿у
е ((£ 2
\(х ) \(у) \(у,
и суммирование ведётся по окрестности 3 х 3 - 5 х 5 пикселей. Пространственное распределение структурных признаков выполняется путём расчёта скользящим окном П среднего значения функций (1):
Г!(х,у) = {Я(х,у))п, Р2{х,у) = {Ь(х,у))п. (2)
Далее из (2) формируется маска антропогенных зон изображения I(х,у)
р (х,у)
1, если (Гг(х,у) > + 3^1) и (Е2(х,у) > ^2 + 3^), 0, иначе,
где ^1)2 — средние, а а1>2 — среднеквадратические отклонения массивов ¥1>2(х,у) в зоне естественного ландшафта (соответственно для функций отклика "угол" и "край").
Рис. 1. Результаты классификации для природных и антропогенных зон: а, б — спектральная классификация; в, г — постобработка с постоянным размером окна; д, е — локально-адаптивная классификация
На третьем этапе с учётом (3) выполняется адаптивная процедура постклассификации
(1(х,у) , если Р(х,у) = 0,
^ 1 15x15 (4)
I(х,у) , если Р(х,у) = 1,
j 3x3
где [I(х, у)] означает процедуру выбора наиболее часто встречающегося класса в картосхеме I(х, у) по окну с координатами центра х, у и размером п х п.
На рис. 1, д, е представлен окончательный результат локально-адаптивной классификации исходного изображения. Полученная согласно (4) картосхема сглажена в природной зоне (рис. 1,д) и в то же время с необходимой точностью передает классовый состав антропогенных территорий (рис. 1,е).
2. Обнаружение незначительных изменений в поле наблюдения
Типичная процедура обнаружения изменений состоит из классификации пары геометрически согласованных разновременных изображений и выявлении пикселей, отнесённых к различным классам. Однако, как отмечалось выше, для естественных ландшафтов повышение разрешения отрицательно сказывается на качестве сегментации. По этой причине при обнаружении незначительных изменений с учётом различий в условиях освещённости, состоянии атмосферы, естественной суточной и сезонной изменчивости подобные методы оказываются низкоэффективными. В качестве альтернативы предлагается попиксельный разностный метод, использующий нормализацию изображений на основе поблочного согласования динамических диапазонов яркости, а также построение и анализ разностных кадров на основе оценки согласованности изменения во времени одинаковых по яркости пикселей изображения [4]. При этом формирование разностного кадра для сравниваемых изображений I\(x,y) и I2(x,y) осуществляется также поблочно. Для этого определяются и анализируются двумерные диаграммы изменения яркости P(i,j), отображающие количество пикселей, которые в изображении I\(x,y) имеют яркость i, а в I2(x,y) — яркость j. Каждое сечение i такой диаграммы представляет собой распределение яркости пикселей в I2(x, y), имеющих яркость i в I2(x, y) (гистограмма прямого разброса). Перпендикулярное же сечение j представляет собой распределение яркости пикселей в I\(x,y), имеющих яркость j в I2(x,y) (гистограмма обратного разброса).
Для каждого уровня яркости i изображения I\(x,y) по сформированной диаграмме изменения яркости P(i,j) выполняется следующая процедура:
— в I2(x,y) определяется распределение яркости пикселей, имеющих заданную яркость в Ii(x,y) (гистограмма прямого разброса);
— по этой гистограмме находится наиболее часто встречающаяся яркость, и в I\(x, y) определяется распределение яркости пикселей, имеющих данную яркость в I2(x,y) (гистограмма обратного разброса);
— определяется ширина гистограммы обратного разброса по уровню полуспада в сторону увеличения яркости для почвенных каналов и уменьшения для вегетационных индексов;
— по гистограмме прямого разброса выделяются пиксели, отклонившиеся от максимума более чем на ширину гистограммы обратного разброса.
В случае отсутствия изменений все пиксели одинаковой яркости первого изображения имеют близкую яркость и во втором. При наличии антропогенных воздействий разброс их яркости увеличивается. Ширина же гистограммы обратного разброса определяется аппаратными погрешностями системы регистрации, а также естественными суточными и сезонными изменениями и может быть использована в качестве величины допустимого отклонения. В результате обработки разновременных изображений с применением предложенной процедуры происходит выделение пикселей с нетипичным изменением яркости в каждом из выбранных спектральных каналов. При этом удаётся избежать характерных недостатков разностных методов, связанных с необходимостью экспериментального подбора пороговых значений [5].
Продемонстрируем предложенный метод обнаружения незначительных изменений, вызванных антропогенным воздействием, на примере поиска выборочных рубок Кара-канского бора (Новосибирская обл.) по многоспектральным данным спутника SPOT 4. Основной показатель проведения таких рубок — увеличение компоненты излучения,
связанной с отражением от открытых почв, а также появление участков вскрытого грунта. Соответственно наиболее информативны красный (R) и коротковолновый инфракрасный (SWIR) каналы спутника SPOT 4.
На рис. 2, а представлен фрагмент изображения от 25 июня 2011 г., на рис. 2, б — этот же участок местности, полученный 19 июля 2012 г. после согласования динамических диапазонов яркости и дополнительного контрастирования. Отметим, что исходные фрагменты не приводятся, поскольку с учётом имеющихся полиграфических возможностей они визуально практически не различимы.
На рис. 3, а показана гистограмма прямого разброса для некоторого уровня яркости в первом фрагменте, а на рис. 3, б — гистограмма обратного разброса для уровня яркости второго фрагмента, соответствующего максимуму гистограммы прямого разброса (320 пикселей). Удвоенная ширина гистограммы обратного разброса на уровне 160 составила две градации яркости (с интерполяцией и округлением до целых значений). Соответственно порог для гистограммы прямого разброса выбран на уровне 71. Все пиксели, относящиеся к заштрихованной части гистограммы прямого разброса, выделены как претерпевшие изменения.
Данная процедура выполнена для всех уровней яркости первого фрагмента, и сформирована результирующая картосхема (рис. 3, в). Сравнивая полученные отметки с ис-
Рис. 3. Формирование картосхемы изменений: а, б — гистограммы прямого и обратного разбросов, в — обнаруженные изменения
ходными разновременными изображениями (см. рис. 2), можно видеть, что произошло выделение участков, на которых вследствие проведённых рубок компонента излучения, связанная с отражением от почвы, увеличилась.
3. Обработка данных гиперспектральной съёмки
Современное развитие средств ДЗЗ характеризуется активным внедрением технологий гиперспектральной съёмки в видимом и ближнем инфракрасном диапазонах. Отличительной особенностью гиперспектральных данных является узкая ширина спектральных полос и большое количество регистрируемых каналов. Так, разработаны многочисленные подходы, реализующие анализ тонкой структуры спектров пикселей изображений и их классификацию на основе сравнения с эталонными спектральными кривыми. Другой класс алгоритмов, наряду с этим, включает субпиксельный анализ с целью определения доли различных материалов в каждом участке земной поверхности, соответствующем элементу разрешения, путём линейного спектрального разделения. Краткий обзор исследований в данном направлении представлен в [6].
Для повышения эффективности средств обработки данных предложены алгоритмы, основанные на выборе небольшого количества наиболее информативных каналов с последующим применением процедур классификации, разработанных для анализа муль-тиспектральных данных. Однако все перечисленные выше методы рассматривают обрабатываемые данные не как изображения, а как некоторые независимые спектральные измерения. В качестве наиболее перспективных следует рассматривать подходы, основанные на одновременном анализе спектральных и пространственных признаков [7].
Рассмотрим примеры обработки изображений, полученных при наземных испытаниях гиперспектральной аппаратуры (640 каналов в диапазоне 480-1100 нм). На рис. 4, а представлено RGB изображение наблюдаемой сцены. В поле зрения имеются различные типы поверхности: почва, зелёная растительность, угнетённая растительность (вытоптанные участки), эталонные объекты. На рис. 4, б приведены спектры отражённого излучения I(X), зарегистрированного от перечисленных типов поверхности.
Для получения спектральных коэффициентов отражения участков реальной сцены необходимо учесть спектральный состав падающего излучения и спектральную чувствительность фотоприёмного устройства. С этой целью выполнена нормировка спектров на излучение от эталонных объектов. На рис. 4, в приведены нормированные спектральные коэффициенты отражения р(Х) от реальных объектов.
Следует отметить, что восстановленные в результате нормировки спектры отражения соответствуют литературным данным, при этом состав регистрируемого излучения участков поверхности с угнетённой растительностью представлен комбинацией спектров зелёной травы и почвы, по соотношению которых можно судить о степени нарушения растительного покрова.
К гиперспектральным данным применимы методы классификации, которые используются для анализа мультиспектральных данных. В частности, представляется перспективным применение предложенных в работе комплексных локально-адаптивных подходов (с учётом спектральных и пространственных признаков). Имеется возможность выявлять узкие линии поглощения, характерные для минеральных веществ, газов и воды, проводить их идентификацию и оценивать концентрацию, а также определять такие спектральные признаки, которые принципиально не могут быть получены при обработке мультиспектральных данных (положение экстремумов спектральной
о -6
500 600 700 800 900 X, НМ 500 600 700 800 900 X, НМ
Рис. 4. Обработка гиперспектральных данных: а — изображение сцены; б — спектры излучения, отражённого от различных поверхностей; в — спектральные коэффициенты отражения; г — результат их дифференциальной обработки по длине волны
кривой, ширина пиков, точки перегиба и т. п.). Кроме того, целесообразным становится представление и анализ спектральных данных, полученных после дифференциальной обработки по длине волны р'(Л). Этот подход проиллюстрирован на рис. 4, г, где приведены данные для растительности в различном состоянии, позволяющие по положению максимума с высокой точностью определить положение красной границы полосы поглощения хлорофилла. Таким образом, целесообразно формировать базу данных наиболее информативных коэффициентов отражения р(Л), а затем, в процессе классификации, использовать (совместно с пространственными) небольшое количество специально выбранных гиперспектральных признаков.
Заключение
Предложен метод классификации спутниковых изображений высокого пространственного разрешения, сочетающий обработку спектральных и пространственных признаков. На первом этапе производится классификация исходных изображений по спектральным признакам и формирование пространственных масок для антропогенных зон по характеристикам локальной структуры, а на втором —- скользящим окном выполняется процедура выбора наиболее часто встречающегося класса. При этом размер окна
для природных и антропогенных зон выбирается различным. Показано, что применение предложенного метода для данных ДЗЗ высокого разрешения позволяет избежать излишней детализации классифицированных изображений на естественных ландшафтах и обеспечить необходимую точность в антропогенных зонах.
Для обнаружения незначительных пространственных изменений на поверхности Земли, вызванных антропогенным воздействием, разработан метод, основанный на попик-сельном формировании разностных кадров за счёт оценки согласованности изменения во времени одинаковых по яркости пикселей изображений с помощью диаграмм прямого и обратного разброса. Эффективность предложенных методов продемонстрирована на примере выделения незначительных антропогенных изменений по временным рядам многодиапазонных изображений со спутника SPOT 4.
В результате анализа многоканального изображения видимого и инфракрасного диапазонов восстановлены спектральные коэффициенты отражения участков реальной сцены. Показана возможность формирования принципиально новых спектральных признаков, а также перспективность обработки данных гиперспектральной съёмки с точки зрения повышения селективности классификации объектов в поле наблюдений.
Список литературы
[1] Lillesand T., Kiefer R., Chipman J. Remote Sensing and Image Interpretation. John Wiley & Songs, Inc., 2004. 763 p.
[2] Борзов С.М., Потлтуркин О.И. Обнаружение антропогенных зон на основе поиска пространственных аномалий в крупномасштабных спутниковых изображениях // Автометрия. 2012. № 5. С. 104-111.
[3] Борзов С.М., Потлтуркин А.О. Исследование эффективности пространственных признаков при классификации спутниковых изображений различного масштаба // Вест. НГУ. Сер.: Информ. технологии. 2012. № 3. С. 58-65.
[4] Bromiley P., Thaoker N., Courtney P. Non-parametric image subtraction using grey level scattergrams // Image and Vision Computing. 2002. Vol. 20, No. 9-10. P. 609-617.
[5] БлртллЕВ С.А., Курятниковл Т.С., Стивиг Х.Ю. Методы использования временных серий спутниковых изображений высокого пространственного разрешения для оценки масштабов и динамики вырубок таёжных лесов // Современные проблемы дистанционного зондирования Земли из космоса: Сб. статей под ред. Е.А. Лупяна и О.Ю. Лавровой, Т. II. М.: GRANP polygraph, 2005. С. 217-227.
[6] Plaza A., Du Q., Biouoas-Dias J. et al. Foreword to the special issue on spectral unmixing of remotely sensed data // IEEE Transactions on Geoscience and Remote Sensing. 2011. Vol. 49, No. 11. P. 4103-4110.
[7] Plaza A., Benediktsson J.A., Boardman J.W. et al. Recent advances in techniques for hyperspectral image processing // Remote Sensing of Environment. 2009. Vol. 113. P. 110-122.
Поступила в 'редакцию 29 ноября 2013 г.
