Новый алгоритм повышения информативности фотограмметрических изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 528.8:004

В.В. Гнатушенко, О.О. Кавац

НОВИЙ АЛГОРИТМ ЩДВИЩЕННЯ 1НФОРМАТИВНОСТ1 ФОТОГРАМЕТРИЧНИХ

ЗОБРАЖЕНЬ

Постановка проблеми. В даний час зображення високо! i надвисоко! роздшьно! здатностi, одержуванi космiчними знiмальними системами, знаходять застосування в рiзних прикладних областях i дозволяють вирiшувати найрiзноманiтнiшi завдання. Актуальною областю наукових дослщжень е обробка фотограметричних даних дек1лькох каналiв з метою одержання штучного зображення iз покращеними показниками iнформативностi у порiвняннi iз первинними знiмками та його подальший аналiз.

Аналiз останнiх досл1джень. Панхроматичш (Pan) знiмки володiють бiльш високою просторовою здатнiстю, нiж мультиспектральнi (Mul). Iнформацiя, що мiститься в зображенш, отриманому в результатi злиття, е б№ш повною, що веде, зокрема, до тдвищення якостi розпiзнавання об'екпв i бiльш як1сного «розумшня» !х властивостей.

Використання кольору для вщображення даних ДЗЗ е одним iз найбiльш важливих аспектiв, що напряму пов'язанi з обробкою зображення. Колiр можна використовувати не тiльки для вщображення мультиспектральних знiмкiв, але i для вилучення з них необхвдно! шформацп. При описi свого сприйняття кольорового зображення не користуються такими поняттями як вiдносна доля червоного, зеленого чи синього кольору. Зазвичай йдеться про яскравiсть, колiр i чистоту кольору, тобто використовуються так! поняття як «штенсившсть», «тон» i «насичешсть». Саме тому вихiднi цвиш! компоненти RGB корисно перетворювати у компоненти, що вадповадають тону, насиченосл та iнтенсивностi (HSV або HSI) [1]. Зокрема мультиспектральш данi корисшше перетворювати до координат нового простору, в якому кожне зображення буде ввдповщати деяким незалежним компонентам (рис.1).

Рис.1. Використання перетворення кольорового простору RGB з метою полшшення вiзуального

сприйняття зображення [1] Бiльшiсть алгоршшв, пов'язаних i3 пiдвищенням iнформативностi цифрових зображень, засноваш на !х лшшнш локальнiй обробцi i зводяться до згортки зображення з ковзною маскою [2 -5]. Значш перспективи застосування мають методи пiдвищення просторового розрiзнення багатоспектральних зображень, заснованi на !хньому розкладаннi на компоненти рiзних просторових масштабiв у межах одного тксела, вiдомi назвою методiв просторового змшаного аналiзу (Spectrum Mixture Analysis). Однак, вiдомi алгоритми не ефективнi для злиття супутникових зображень, одержаних з сучасних космiчних апаратiв. Спiльною та основною проблемою, пов'язаною зi злиттям таких зображень, е iстотне колiрне порушення.

Формулювання цiлей CTaTTi (постановка завдання). Таким чином виникае необхвдшсть розробки нового ефективного алгоритму тдвищення шформативносп аерокосмiчних зображень, що дозволить одержати багатоспектральш зображення бiльш високого просторового розрiзнення без втрати спектрально! шформацп.

Основна частина. У робот запропонований алгоритм перетворення мультиспектрального зображення за допомогою метода ан^зу незалежних компонент (ICA). Аналiз незалежних компонент розглядаеться саме як розширення аналiзу головних компонент на задачу слшо! сепарацп незалежних джерел з !х лшшних сумiшей. З аналiзом головних компонент псно пов'язанi так1 поняття, як некорельованють i гаусовський (нормальний) характер розпод^ даних, в той час як ICA пов'язаний зi статистичною незалежнiстю i негаусовським розподiлом. Крiм того, осi не обов'язково повинш бути ортогональними. Модель, яка використовуеться в аналiзi незалежних компонент, можна представити у виглядi

У = H x, (1)

де y — m-вимiрний випадковий вектор, х — n-вимiрний випадковий вектор з незалежними компонентами, H — деяке невщоме ввдображення Rn ^ Rm, m > n. Завдання ICA формулюеться як завдання пошуку тако! проекци вектора y на лшшний простiр векторiв х, компоненти яко! були б статистично незалежнi. При цьому для аналiзу доступна пльки деяка статистична вибiрка значень випадкового вектора У.

В алгоршш нами пропонуеться замiна тсля перетворення ICA першо! компоненти мультиспектрального зображення панхроматичним зображенням. Наступним етапом пiсля замiни е зворотне перетворення ICA та перетворення отриманого зображення у кольорову модель HSV (позначимо HSVMOD). 1ншим кроком роботи алгоритму е також переведення вихвдного мультиспектрального зображення у кольоровий проспр HSV (позначимо HSVMUL). Наступним кроком формування нового зображення з тдвищеною iнформативнiстю е замша яскравюно! компоненти V зображення HSVMUL яскравiсною компоненто ю зображення HSVMOD та перетворення результату з кольорово! моделi HSV до кольорово! моделi RGB. Схема алгоритму представлена на рисунку 2.

Запропонований алгоритм шдвищення шформативносп фотограмметричних видових даних на основi ICA-HSV-перетворення зображень був реалiзований на первинних багатоспектральних зшмках, отриманих супутником WorldView-2. Пiсля перетворень MUL-зображення за зазначеним алгоритмом було отримано зображення, яке навiть вiзуально у порiвняннi з первинним зшмком вiдрiзняеться бiльшою чiткiстю (рисунок 3).

Для отримання к1льк1сних порiвняльних оцшок роботи запропонованого алгоритму нами були дослвджено вiдомi методи злиття фотограмметричних даних, а саме методи: класичний HSV, Brovey, Grama-Schmidt, PC. На рис. 4 представлено синтезоваш зображення, перетвореш за вказаними методами.

Рис.2. Схема алгоритму

а) б)

Рис.3. Мультиспектральш зображення: а) первинне; б) зображення тсля обробки новим алгоритмом

Отримано кшьктст ощнки якосп синтезованих мультиспектральних зображень такi як: ентропiя, SSIM, MSSIM, Quality index та шшг Вище зазначенi метрики дозволяють оцiнити яшсш показники та структурнi схожостi м1ж двома зображеннями.

У таблицi 1 наведено значения ентропи, отриманi для мультиспектрального та панхроматичного первинних зшмшв, а також для синтезованих зображень за уама вказаними методами (розмiр зображення 1000*1000). У таблицi 2 вказаш значення найбiльш вiдомих характеристик якосп для первинного мультиспектрального зображення. У табл. 3 наведено значення показнишв якосп при порiвняннi шформативносп мультиспектрального зображення, обробленого за запропонованим алгоритмом, з еталонним зображенням.

Рис.4. Мультиспектральш зображення перетвореш за методами: а) HSV; б) Brovey; в) Grama-Schmidt; г) PC

Таблиця 1

Зображення Значення ентропи

Панхроматичне зображення 7.3535

Первинне мультиспектральне зображення 7.4022

Перетворене за методом HSV 7.3159

Перетворене за методом PC 6.7005

Перетворене за методом Brovey 6.3456

Перетворене за методом Grama-Schmidt 7.4082

Перетворене за запропонованим алгоритмом 7.4915

Таблиця 2

Значения для первинного мультиспектрального зображення

Meipma / KaHan R G B

Root mean square error (RMSE) 30.8270372 30.8270372 30.8270372

Persentage fit error (PFE) 28.6329122 28.6329122 28.6329122

Mean absolute error (MAE) 24.3234892 24.3234892 24.3234892

Correlation (CORR) 0.9585872 0.9585872 0.9585872

Signal to noise ration (SNR) 10.8626902 10.8626902 10.8626902

Peak signal to noise ration (PSNR) 33.2754812 33.2754812 33.2754812

Mutual information (MI) 1.1071462 1.1141460 1.1071461

Quality index (QI) 0.5492692 0.5492692 0.5492692

Measure of structural similarity (SSIM) 0.5545892 0.5545892 0.5545892

MSSIM 0.5936 0.6261 0.6075

Таблиця 3

Значення для синтезованого ICA-HSV-зображення

Meipma / KaHan R G B

Root mean square error (RMSE) 32.3578002 34.7826232 31.6332732

Mean absolute error (MAE) 24.9174182 26.5308882 24.5869212

Correlation (CORR) 0.9577802 0.9509742 0.9539532

Signal to noise ration (SNR) 10.4417462 9.5185712 9.9538982

Peak signal to noise ration (PSNR) 33.0650092 32.7511762 33.1633582

Mutual information (MI) 1.1171462 1.1171462 1.1171462

Quality index (QI) 0.5556432 0.5521052 0.5526542

Measure of structural similarity (SSIM) 0.5555162 0.5677132 0.5751462

MSSIM 0.6588 0.6656 0.6701

Порiвияния значень табл.1-3 сввдчить про те, що у результата обробки мультиспектральних зтмшв за допомогою нового алгоритму тдвищення шформативносп видових даних дистанцшного зондування на основ! ICA-HSV-перетворення кореляцiя зменшуеться, погршност! знижуються, синтезоваш зображення мають бГльш високу яшсть та збГльшену шформативтсть у порГвнянш з первинними зтмками. Показники, що оцшюють ефективтсть вГдомих методГв злиття мультиспектрального зображення HSV, Brovey, Grama-Schmidt, PC представлен! у таблицях 4-7 вадповадно.

Таблиця 4

Класичний HSV-метод

MeipnKa / KaHan R G B

Root mean square error (RMSE) 30.8270372 30.9807012 30.7241032

Mean absolute error (MAE) 24.3234892 24.1531562 23.8036702

Correlation (CORR) 0.9585872 0.9583492 0.9551842

Signal to noise ration (SNR) 10.8626902 10.5239932 10.2071972

Peak signal to noise ration (PSNR) 33.2754812 33.2538872 33.2900072

Mutual information (MI) 1.1171462 1.1125652 1.1027792

Quality index (QI) 0.5492692 0.5651952 0.5584252

Measure of structural similarity (SSIM) 0.5545892 0.5758962 0.5682122

MSSIM 0.6599 0.6773 0.6671

Таблиця 5

Метод Brovey

Метрики/ Канал R G B

Root mean square error (RMSE) 32.7639382 30.1278622 29.6681262

Mean absolute error (MAE) 26.2053262 23.7921402 23.9520592

Correlation (CORR) 0.9459112 0.9538912 0.9492282

Signal to noise ration (SNR) 10.3334042 10.7664512 10.5109782

Peak signal to noise ration (PSNR) 33.0108382 33.3751162 33.4418982

Mutual information (MI) 1.1230202 1.1144102 1.1142452

Quality index (QI) 0.5498462 0.5727112 0.5712172

Measure of structural similarity (SSIM) 0.5777532 0.6069342 0.5938382

MSSIM 0.6770 0.7012 0.6933

Таблиця 6

Метод Grama-Schmidt_

Метрики/ Канал R G B

Root mean square error (RMSE) 31.4706052 30.3008342 29.6662292

Mean absolute error (MAE) 24.8949562 23.3335092 23.1807832

Correlation (CORR) 0.9576012 0.9602902 0.9579022

Signal to noise ration (SNR) 10.6832242 10.7167262 10.5115342

Peak signal to noise ration (PSNR) 33.1857482 33.3502542 33.4421762

Mutual information (MI) 1.1038312 1.1098732 1.1019542

Quality index (QI) 0.5524892 0.5835422 0.5778472

Measure of structural similarity (SSIM) 0.5616562 0.6002462 0.5885262

MSSIM 0.6618 0.6971 0.6858

Таблиця 7

Метод PC

Метрики/ Канал R G B

Root mean square error (RMSE) 143.3480172 143.9904032 143.4658902

Mean absolute error (MAE) 126.4922802 127.0922842 127.0330652

Correlation (CORR) 0.3705242 0.3711732 0.3812642

Signal to noise ration (SNR) -2.4865082 -2.8208532 -3.1781922

Peak signal to noise ration (PSNR) 26.6008822 26.5814642 26.5973132

Mutual information (MI) 1.0897812 1.1175562 1.0643932

Quality index (QI) -0.3215282 -0.3275162 -0.2696752

Measure of structural similarity (SSIM) -0.1967792 -0.2000242 -0.1612762

MSSIM -0.2157 -0.2191 -0.1748

Висновки та перспективи подальших дослвджень. Отриманi характеристики сввдчать про те, що у результата обробки багатоспектральних зшмшв за допомогою методики шдвищення iнформативностi видових даних ДЗЗ на основi ICA-HSV-перетворення синтезованi зображення мають бiльш високу якiсть та збiльшену iнформативнiсть у порiвняннi з первинними знiмками. У порiвняннi з iснуючими методами злиття запропонований алгоритм дозволяе пiдвищити значення ентропii та показникiв структурноi схожосп, таких як SSIM, MSSIM, Quality index.

Л1ТЕРАТУРА:

1. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. Часть 1 /Р.А. Шовенгердт - М.: Техносфера, 2010. - 560 с.

2. Гнатушенко В.В. Комп'ютерш технологи шдвищення шформативносп багатоспектральних зображень земноi поверхш / В.В. Гнатушенко, О.О. Сафаров // Прикладна геометрiя та iнженерна графка. - К.: КНУБА, 2012. - Вип. 89. - С. 140-144.

3. Грузман И.С. Цифровая обработка изображений в информационных системах // И.С. Грузман и др. Учебное пособие. / И.С. Грузман - Новосибирск: Изд-во НГТУ, 2002. - 352 с.

4. Pohl C. Multisensor image fusion in remote sensing: concepts, methods and applications / C. Pohl, J.L. Van Genderen // International journal of remote sensing. - 1998. - Vol. 19. - No. 5. - P. 823-854.

5. Yuhendra Sumantyo, Performance Analyzing of High Resolution Pan-sharpening Techniques: Increasing Image Quality for Classification using Supervised Kernel Support Vector Machine. / Yuhendra Sumantyo [Електронний ресурс] - http://scialert.net/abstract/?doi=rjit.2011.12.23.

ГНАТУШЕНКО Володимир Володимирович — д.т.н., професор, заввдувач кафедри автоматизованих систем обробки шформацп Дшпропетровського нацюнального ушверситету 1меш Олеся Гончара.

Науков1 штереси:

- математичне та комп'ютерне моделювання, обробка й анал1з багатовим1рних сигнал1в, комп'ютерна графжа.

КАВАЦ Олена Олександр1вна — к.т.н., доцент кафедри шформацшних технологш та систем Нацюнально! металургшно! академп Украши.

Науков1 штереси:

- обробка та анал1з фотограмметричних зображень Г1С-систем.