CC BY
29PLANETAMONITORING: ПРОГРАММНЫЙ КОМПЛЕКС ОБРАБОТКИ СПУТНИКОВЫХ ДАННЫХ
В. В. Асмус*, А. А. Бучнев**, В. А. Кровотынцев*, В. П. Пяткин**, Г. И. Салов**
*
Научно-исследовательский центр космической гидрометеорологии "Планета",
123242, Москва, Россия,
**
Институт вычислительной математики и математической геофизики СО РАН,
630090, Новосибирск, Россия
УДК 528.852
Представлен комплекс программного обеспечения обработки спутниковых данных, совместно разработанный ФГБУ «НИЦ "Планета"» и ИВМиМГ СО РАН, описано его использование для решения прикладных задач дистанционного зондирования Земли.
Ключевые слова: дистанционное зондирование, обработка изображений, предварительная обработка, контролируемая классификация, кластеризация, линеаменты, кольцевые структуры, пространственные перемещения природных объектов.
The set of software for satellite data processing developed jointly State Research Center "Planeta"and Institute of Computational Mathematics and Mathematical Geophysics SB RAS, and its use in applications of remote sensing of the Earth.
Key words: remote sensing, image processing, preprocessing, supervised classification, clustering, lineaments, circular structures, space drifts of nature objects.
Введение. Программный комплекс PlanetaMonitoring, в течение длительного времени разрабатываемый совместными усилиями ФГБУ «Научно-исследовательский центр космической гидрометеорологии "Планета"» (НИЦ "Планета") и Институтом вычислительной математики и математической геофизики СО РАН (ИВМиМГ СО РАН), является функционально полным набором программных технологий, позволяющих решать различные задачи обработки данных дистанционного зондирования (ДДЗ) Земли [1]. Программный комплекс PlanetaMonitoring реализует технологии предварительной и тематической обработки многоспектральной спутниковой информации оптического, инфракрасного и микроволнового диапазонов. В процессе предварительной обработки спутниковых данных осуществляются яркостные и геометрические преобразования, геокодирование, составление обзорных монтажей и др. Тематическая обработка многоспектральных спутниковых данных включает технологии распознавания объектов (без обучения и с обучением), выделения и картирования линеаментов и кольцевых структур, а также пространственного перемещения природных объектов (ледяных полей, водных масс, облачных образований в атмосфере).
Работа выполнена при частичной финансовой поддержке Российского фонда фундаментальных исследований (код проекта 13-07-00068).
Рис. 1. Снимок от 8 октября 2007 г. Рис. 2. Снимок от 14 мая 2012 г.
1. Предварительная обработка спутниковых данных. Одна из программных технологий - технология предварительной обработки ДЗЗ - традиционна, она включает набор общепринятых операций по яркостным и контрастным преобразованиям изображений. В группу геометрических преобразований включены масштабирование изображений и отображение снимков из космоса на растровые карты (геокодирование). Трансформирование спутниковых изображений в картографическую основу является геометрическим преобразованием, отображающим весь снимок либо его часть на заранее подготовленную растровую географическую карту соответствующей территории. Карта строится в выбранной географической проекции с использованием различных баз данных (в том числе шейп-файлов ГИС ArcView) для нанесения на ее лист контурных элементов пространственных объектов. Отображение снимка на карту основано на использовании идентичных опорных точек снимка и карты. Возможно использование одного из двух типов отображений: на основе применения семейства кусочно-аффинных преобразований, которые строятся на множестве треугольников снимка и карты, получаемых в результате триангуляции выпуклой оболочки множества опорных точек снимка, и на основе отображающего полинома заданной степени (первой, второй или третьей). Мозаики спутниковых изображений формируются путем объединения трансформированных на единую картографическую основу изображений. Трансформированные изображения, имеющие область пересечения, объединяются с использованием интерполяции значений пикселов изображений. Интерполяция проводится с использованием весовых коэффициентов, значения которых зависят от степени удаленности пикселов от краев снимков. В результате такого объединения граница пересечения снимков становится незаметной. Программный комплекс включает ряд основанных на видоизменении гистограмм контрастных преобразований. В частности, реализован механизм референтного выравнивания [2], при котором яркостные и контрастные характеристики изображений приводятся либо к характеристикам некоторого изображения, выбранного в качестве референтного (базового), либо к характеристикам гауссового распределения с заданными параметрами. Этот этап является необходимым в тех случаях, когда интересующий исследователя участок земной территории покрывается несколькими разновременными снимками из космоса, полученными с различными условиями съемки. Такая ситуация имеет место в задаче обнаружения кольцевых структур на снимках из космоса, представляющих импактные кратеры на поверхности Земли. На рис. 1-3 по-
Рис. 3. Мозаика выровненных по яркости изображений
казаны результаты выполнения операций программной технологии предварительной обработки данных ДЗЗ. На рис. 1 и 2 приведены разновременные снимки импактного кратера Курай, полученные со спутника 8РОТ-4 (разрешение 20 м) 8 октября 2007 г. и 14 мая 2012 г., соответственно. На рис. 3 приведена мозаика выровненных по яркости изображений (снимок от 14 мая 2012 г. принят базовым).
2. Контролируемая классификация. Центральные вопросы тематической обработки (интерпретации) данных ДЗЗ - вопросы повышения качества дешифрирования - непосредственно связаны с проблемой выбора адекватных алгоритмов распознавания [3-5]. Современный опыт автоматизированного распознавания данных ДЗЗ показывает, что заранее практически невозможно установить, какой алгоритм будет лучше с точки зрения точности классификации. Поэтому в распознающую систему целесообразно закладывать несколько алгоритмов, и выбор оптимального алгоритма проводить эмпирически. В классификации данных ДЗЗ чаще других используются методы, которые можно разбить на две группы: контролируемая классификация (классификация с обучением) и кластеризация (классификация без обучения). В классификации с обучением для распределения векторов признаков по представляющим интерес классам используется процесс обучения классификатора способности различать эти классы на основе репрезентативных выборок представителей классов. Эти выборки называются обучающими. Процесс обучения фактически является процессом построения функций правдоподобия (или решающих функций) для классов. Эти функции будут затем использоваться для классификации
каждого вектора признаков как принадлежащего только одному классу (жесткая классификация), либо нескольким классам (нечеткая классификация). Обучение классификатора может контролироваться путем определения вероятности правильной классификации (для этого часть из обучающих выборок переводится в разряд контрольных). Контролируемая классификация в программном комплексе Р1апе1аМош1»пп§ основана на использовании байесовской стратегии максимального правдоподобия для нормально распределенных векторов признаков. Пусть х -
N -мерный вектор признаков х = (х^..., хы )Т , где N — число спектральных диапазонов. Предполагается, что векторы х имеют в классе СС нормальное распределение N (т, в1) со средним т. и ковариационной матрицей В.. В этом случае байесовская стратегия максимального правдоподобия для поэлементного классификатора формулируется следующим образом [3].
Пусть 0 = (с,... ,Ст) - конечное множество классов, р(с) - априорная вероятность класса СС . Тогда решающая функция класса СС имеет вид
Е (х) = 1п(р(шг)) — 0,51п(| В |) — 0,5(х — т1 )Т В—1 (х — тг). Классическое решающее правило для жесткой классификации принимает следующий вид: вектор х заносится в класс СС , если Ег (х) > (х) для всех . ф i .
Поскольку физические размеры реально сканируемых пространственных объектов, как правило, больше разрешения съемочных систем, между векторами признаков существуют взаимосвязи [3]. Использование информации подобного рода дает возможность повысить точность классификации, если пытаться распознавать одновременно блок смежных векторов квадратной или крестообразной формы. Будем называть такой блок векторов объектом. Рассмотрим объект X = (х1,..., хЬ )Т, состоящий из смежных ^мерных векторов х, (/ = 1,...,Ь) (например, в окрестности 3^3, 5^5, ... элементов). Решение об отнесении центрального элемента объекта тому или иному классу принимается на основе результата классификации всего объекта. Такой подход порождает целое семейство решающих правил. Во-первых, это использование принципа голосования, т. е. независимая классификация элементов объекта и отнесение центрального элемента к тому классу, которому было отнесено большинство элементов объекта. Во-вторых, это применение текстурных операторов (простейший пример - описание объекта Х через вектор средних составляющих его элементов) с последующим отнесением центрального элемента классу, к которому был отнесен параметр, характеризующий Х. В-третьих, описание объекта Х случайным марковским полем, т. е. р(X | с) = р(х1 | х2,...,хЬ;сг)р(х2 | х3,..., хЬ;сг)...р(хЬ | с)
В этом случае модель выглядит следующим образом. Пусть вектор х имеет в классе с нормальное распределение N(т , В)
со средним т и ковариационной матрицей В . Тогда вектор Х также нормально распределен в классе с со средним М i размерности Ж и ковариационной матрицей К, размерности ^ х ^. Оценка этой матрицы при больших значениях ^ (требуется очень большое количество обучающих данных), а также ее обращение на практике
а> 6)
Тематические карты состояния водной среды Азовского моря, полученные с помощью автоматизированного распознавания многозонального спутникового изображения за 4 августа (а) и 11 августа 2006 г. (6).
Воднэя среда разной степени мутности ——I I I I — I ■Щ
слабея сильная
- суша М - вода Черного моря НШ - облака ( I - (г-н) класс
Рис. 4. Состояние водной среды Азовского моря
трудно реализуемо. Поэтому вводятся упрощающие структурные предположения. Если считать, что корреляция между элементами объекта во всех зонах съемки одинакова, то ковариационную матрицу К. можно представить в виде прямого произведения матрицы пространственной
корреляции Я. на ковариационную матрицу Б.. Если Я. является единичной, то
Ь
р(X |aj) = ^р(х1 1а.), и мы имеем известное решающее правило при предположении, что
г=1
элементы объекта независимы. Более адекватные модели возникают при других предположениях о структуре корреляционных связей. Например, вводя допущение о разделимости автокорреляционной функции элементов объекта по вертикали и горизонтали, получаем каузальную авторегрессионную модель первого либо третьего порядка (в зависимости от формы объекта). Необходимые для построения решающих функций классов оценки статистических характеристик - векторов средних и ковариационных матриц, коэффициентов пространственной корреляции между значениями координат соседних векторов в горизонтальном и вертикальном направлениях - определяются на основе векторов из обучающих выборок (полей). Априорные вероятности классов могут быть взяты из результатов кластеризации. Рис. 4 иллюстрирует работу системы контролируемой классификации при решении задачи оценки состояния водной среды Азовского моря.
3. Кластеризация. В состав программного комплекса Р1апе1аМош1»пп§ входит реализация классического алгоритма жесткой кластеризации - алгоритма К-средних, широко используемого для разбиения на кластеры больших объемов многомерных данных [6]. Алгоритм К-средних можно отнести к классу параметрических, так как он неявным образом предполагает природу плотности вероятности: кластеры стремятся иметь конкретную геометрическую форму, зависящую от выбранной метрики. Используются следующие метрики: Евклидова, Махаланобиса,
Чебышева, city-block расстояние. Известно также, что результат кластеризации методом K-средних зависит от задания начальных центров кластеров. Предоставляется выбор одного из трех вариантов, два из которых определяются на основе статистических характеристик набора данных, оставшийся - на случайной выборке. Один из вариантов алгоритма позволяет учитывать влияние смешанных векторов [3]. Дополнительным параметром в этом случае является выбираемое эмпирически соотношение чистых и смешанных векторов в наборе данных. На основе этого соотношения и градиентного изображения, сформированного подходящим градиентным оператором (Робертса, Превитта или Собела), выделяются связные компоненты, состоящие из чистых векторов. Кластеризации подвергаются средние векторы связных компонент. В дальнейшем смешанные векторы распределяются по полученным кластерам на основе минимального расстояния до центра кластера.
Другой подход, позволяющий получать разбиение векторов измерений на кластеры произвольной формы, основан на предположении, что исходные данные являются выборкой из мно-гомодового закона распределения, причем векторы, отвечающие отдельной моде, образуют кластер [3]. Таким образом, задача сводится к анализу мод многомерных гистограмм.
Одним из известных методов жесткой кластеризации является иерархическая группировка [7]. Однако прямое использование данного алгоритма для кластеризации больших объемов данных трудно осуществимо. В программный комплекс включена двухэтапная процедура кластеризации: на первом этапе выполняется предварительное разбиение исходной выборки на кластеры с помощью модального анализа, на втором этапе получения окончательного результата используется иерархическая группировка. Предварительное использование модального анализа позволяет сократить объем данных до разумных пределов. В качестве входных данных для иерархической группировки используются векторы средних групп векторов, связанных с каждой модой многомерной гистограммы.
Альтернативой жесткой разделяющей кластеризации является мягкая или нечеткая кластеризация, разрешающая векторам принадлежать всем кластерам с коэффициентом членства Uj е [0,1], определяющим степень принадлежностиj-го вектора i-му кластеру:
С L
Zuj = 1 Vj и Zuj < L , V/
¿=1 j=i
(данные соотношения определяют нечеткую кластеризацию). Здесь С - число кластеров, L -количество векторов измерений.
В состав системы кластеризации программного комплекса включена реализация широко используемого алгоритма нечеткой кластеризации, известного как метод C-средних [8]. Это итерационный алгоритм, который используется для разделения смешанных векторов измерений в данных ДЗЗ. Суть метода заключается в описании сходства вектора с каждым кластером с помощью функции уровней принадлежности, принимающей значения от нуля до единицы. Значения функции, близкие к единице, означают высокую степень сходства вектора с кластером. Очевидно, что сумма значений функции уровней принадлежности для каждого пиксела должна равняться единице. Как и в алгоритме K-средних, параметрами соответствующей процедуры (кроме количества кластеров) являются тип метрики и вариант выбора начальных центров кла-
Рис. 7. Кластеризация методом Х-средних Рис. 8. Кластеризация методом С-средних
стеров. Дополнительным параметром является показатель нечеткости, значения которого для данных ДЗЗ предлагается выбирать близкими к двум. Основная часть работы алгоритма С-сред-них состоит в итеративном перестроении матрицы уровней принадлежности векторов признаков кластерам и пересчете центров кластеров. Работа алгоритма заканчивается после выполнения заданного числа итераций, либо при достижении матрицы уровней принадлежности состояния стабильности, т. е. состояния, при котором норма разности матриц в двух последовательных итерациях не превосходит заданного порога.
На рис. 5-8 приведены результаты работы алгоритмов К- и С-средних. На рис. 5 представлен фрагмент снимка ИСЗ 8РОТ-4, полученного 4 мая 2011 г. в ситуации паводка вблизи Кам-ня-на-Оби. Рис. 6 содержит изображение файла-маски, позволяющего исключить из процесса обработки фрагменты исходного изображения, являющиеся "шумом" по отношению к иссле-
дуемой области. На рис. 7, 8 представлены результаты обработки. Выделены 10 кластеров, выполнено 50 итераций алгоритмов.
4. Обнаружение объектов заданной формы (линеаментов и кольцевых структур). В
анализе изображений из космоса при решении прикладных задач ДЗЗ, в мониторинге природной среды возникает проблема обнаружения протяженных объектов заданной формы, например, линейных и кольцевых структур на случайном фоне. При обработке снимков из космоса с целью обнаружения на них представляющих интерес объектов в силу ряда причин предпочтение отдается статистическому подходу [9-11]. Основная причина состоит в том, что вследствие случайного характера природных процессов данные дистанционных измерений (спектросовме-щенные изображения) содержат много случайных вариаций, маскирующих различия значений яркости изображения в точках области объекта и в точках области фона. Случайные величины, значения которых получаются в результате измерений (наблюдений) в точках изображения, будем называть наблюдаемыми случайными величинами. В подобной ситуации надежные алгоритмы обнаружения могут строиться только с помощью вероятностного (статистического) подхода. При этом могут быть получены даже оптимальные в том или ином смысле алгоритмы, если распределения вероятностей значений наблюдаемых величин в точках области объекта и в точках области фона известны заранее. Однако эти распределения могут быть специфическими для каждого изображения и изменяться даже в пределах одного изображения, поэтому на практике, как правило, неизвестны для наблюдателя. Известно лишь, что они непрерывные. В таком случае для обнаружения объектов эффективны так называемые непараметрические тесты (критерии), поскольку распределения статистик (функций от наблюдаемых величин), используемых в этих критериях, не зависят от распределений наблюдаемых величин на изображениях, когда объекты отсутствуют в поле зрения.
Предлагается следующая схема обнаружения объектов. Последовательно или параллельно анализируются все или почти все возможные положения объектов, интересующих исследователя. Считается, что при исследовании каждого возможного положения объекта все наблюдаемые величины берутся в достаточно отдаленных друг от друга точках на изображении таким образом, чтобы их можно было рассматривать как статистически независимые в совокупности, когда в поле зрения объект отсутствует. Для минимизации риска сделать неверный вывод следует в каждом положении проверить означающую отсутствие объекта статистическую гипотезу о том, что случайные величины, наблюдаемые в точках проверяемой области объекта и в близлежащих к ним точках фона, одинаково распределены (однородны). Обнаружение плохо видимых объектов известной наблюдателю формы в случаях, когда однородность фона по диаметру или ширине объекта отсутствует, может быть реализовано путем поиска их контуров.
Пусть ^, ^ (. = 1,...,к ) - величины, наблюдаемые в точках пересечений линии .-й нормали
к проверяемому положению контура объекта, т. е. в точке проверяемой области объекта и близкой к ней точке окружающего объект фона, соответственно, и пусть наблюдателю из прошлого опыта известно, что яркость в точке области объекта стохастически больше или меньше яркости ^ в точке фона. Тогда для проверки гипотезы об однородности можно воспользоваться известным в математической статистике критерием знаков, в данном случае разностей д. - .
Для возможности применения более эффективного критерия следует увеличить число наблюдаемых величин на каждой нормали. Обозначим д{, , величины, наблюдаемые в этом
случае на линии 1-й нормали. Согласно результатам работ [9-10], введем в рассмотрение следующие статистики:
^=^1 шах^,,^)}, шт^,^)}, 50 = к - Г - , где I {} - ин-
тивным будет статистический критерий вида 15+ -5 |> 2Л(50)- (к -50), где Л(z) - наименьшее целое число Л, такое, что
где а - гарантированный уровень значимости критерия.
Так как левая часть здесь возрастает с убыванием Л дискретно, то истинный уровень значимости введенного двухстороннего критерия может получиться значительно меньше а. Кольцевой объект представляет собой нечеткое кольцо, границы которого близки к окружности, т. е. замкнутую нечеткую полосу. Эти объекты можно обнаружить с помощью критерия, подобного приведенному выше. Наблюдаемые величины следует выбирать аналогично на последовательности нормалей к средней линии проверяемого положения полосы, причем величины , выбираются в точках с разных сторон от проверяемого положения полосы, а величины д1 - в точках, принадлежащих непосредственно области полосы. Эти объекты можно обнаружить с помощью критерия, подобного приведенному выше.
Для ряда прикладных задач ДЗЗ большое значение имеет проблема выделения линейных и кольцевых структур на снимках из космоса. Прежде всего, это геологические исследования Земли из космоса. Материалы аэрокосмических съемок, показавшие повсеместное распространение линейных и кольцевых образований в структуре земной коры, представляют интерес для геологов. Полученные результаты свидетельствуют о перспективности статистического подхода к выделению линейных и кольцевых структур на снимках из космоса. Так, обработка аэрофотоснимков восточной части Сибирской платформы Якутской кимберлитоносной провинции показала геологически значимую корреляцию выделенной статистическим методом системы линейных элементов и типов зон разрывных нарушений [12]. Статистический метод выделения линейных и кольцевых структур на снимках из космоса оказался достаточно эффективным при решении ряда задач экологических исследований Земли из космоса.
В проблеме космической охраны Земли существует необходимость изучения процессов падения на Землю небесных тел и картирование мест их падения. Машинные эксперименты с реальными снимками из космоса подтверждают эффективность предложенного статистического подхода к выделению импактных кратеров на поверхности Земли [13, 14]. В программной реализации описанного выше алгоритма выделения кольцевых структур на спутниковых изображениях задается набор параметров, главными из которых являются радиус кругового объекта
дикаторная функция события {.}, равная 1 или 0 в зависимости от того, произошло или нет событие {.}. Тогда для проверки гипотезы однородности (объект отсутствует) наиболее эффек-
Рис. 9. Результат выделения импактного кратера Курай
(возможно задание интервала значений), допустимая вероятность ложного обнаружения объекта, расстояние от предполагаемого положения объекта для измерения значений пикселов и количество таких измерений вдоль окружности. Главная часть процедуры состоит в вычислении упомянутых ранее статистик Я+ и Я~ . Для каждого возможного положения решение о наличии объекта принимается по результату сравнения полученных значений статистик Я+ и Я~ с предопределенными пороговыми значениями, полученными на основе входных параметров. На рис. 9 представлен результат применения этого алгоритма к изображению, приведенному на рис. 3.
Еще одна задача экологической программы исследования Земли из космоса связана с изучением и картированием сейсмоопасных регионов по данным цифровой обработки аэрокосмических изображений и комплекса наземных наблюдений. С использованием статистического подхода была проведена автоматизированная обработка снимков из космоса района Спитакского землетрясения и выделены две новые крупные дизъюнктивные зоны, не совпадающие с зонами известных глубинных разломов, по-видимому, играющие более существенную роль в тектонической структуре территории, чем это представлялось ранее. Полученные результаты мо-
Рис. 10. Результат линеаментного анализа двух разновременных фрагментов изображений
акватории Карского моря, покрытой льдом
гут служить основой для разработки новой технологии выделения дизъюнктивных зон, аномальных с точки зрения сейсмоопасности. Предложенный метод должен повысить точность и достоверность картирования сейсмоопасных районов Земли [15].
В последнее время линеаментный анализ аэрокосмических изображений используется в мониторинге ледовой обстановки в полярных районах Земли. Оперативная информация о пространственном распределении, дрейфе, концентрации морского льда необходима для обеспечения безопасности навигации, рыболовства, добычи нефти и газа в полярных районах, а также для составления ледовых прогнозов. На рис. 10 показано использование линеаментов в анализе ледовой обстановки в Арктике.
5. Определение пространственных перемещений природных объектов по многоспектральным разновременным спутниковым изображениям. Одним из способов определения пространственных перемещений природных объектов по разновременным спутниковым изображениям является метод, основанный на нахождении максимумов коэффициента взаимной корреляции [16]. В [17] аналогичный подход рассматривается в качестве метода распознавания образов, известного как корреляционное сопоставление. В обоих случаях корреляция используется как средство поиска эквивалентов объекта-эталона, представленного в виде изображения w(х, у) размерами 3 х К на изображении /(х, у) размерами М х N; предполагается, что 3 < М и К < N . Коэффициент взаимной корреляции вычисляется по формуле:
(х + *, У +1) - ^ (х, у ) - ^ ]
у(х, у) = —
(Ж - 1Ка
(1)
Здесь ит - среднее значение пикселов в эталоне и, /т - среднее значение элементов изображения / в области, покрываемой эталоном. Знаменатель в (1) является произведением стандартного отклонения си пикселов эталона и на стандартное отклонение Сту пикселов изображения / в области, покрываемой эталоном. Согласно [18], поиск позиций найденных эталонов (определение смещений) на следующем изображении серии может быть реализован одним из трех методов: определением максимума коэффициента взаимной корреляции в пространственной области, определением максимума коэффициента взаимной корреляции в частотной области на основе быстрого преобразования Фурье и нахождением минимума суммы квадратов расстояний. При этом при поиске смещений не предполагается преобразование эталона, исключая перенос.
В данной работе определение смещений эталонов производится на основе определения максимума коэффициента взаимной корреляции в пространственной области по формуле (1). При этом эталон может подвергаться преобразованию, состоящему из масштабирования, поворота и переноса. Реализован соответствующий алгоритм и получены результаты вычислительных экспериментов на изображениях, полученных с КА "МЕТЕО8АТ-8" [19]. Эти результаты вычислений получены за приемлемое время и показали необходимость учета масштабирования и поворота эталона.
Решение задачи состоит из следующих основных шагов: 1) поиск на текущем изображении квадратных объектов-эталонов, основанный на достижении максимума контраста либо максимума энтропии; 2) поиск позиций найденных эталонов на последующем изображении, основанный на достижении максимального значения коэффициента взаимной корреляции; 3) построение векторных полей пространственных перемещений объектов в соответствии с найденными позициями. Предусмотрены эталоны двух типов: главные и вторичные. Позиции главных эталонов совпадают с концами векторов перемещений эталонов из предыдущего изображения (для первого изображения серии главных эталонов нет). Поиск вторичных эталонов производится таким образом, чтобы в области эталона обеспечивалась максимальная "изменчивость" изображения. Критерий качества поиска - достижение максимума контраста либо энтропии. Поиск позиции эталона на следующем изображении производится внутри квадратной области заданного размера. Центр области поиска совпадает с исходной позицией эталона. Новой позицией эталона считается позиция, в которой достигается максимальное значение коэффициента взаимной корреляции. В процессе сканирования области поиска эталон подвергается преобразованиям масштабирования и поворота. С каждой парой значений масштаба и угла поворота связана матрица единого преобразования. Непосредственное применение такой матрицы к координатам пикселов эталона может приводить к появлению пустот в выходном образе. Чтобы избежать этого явления, используется обратное преобразование. Преобразованный эталон с центром в начале координат полностью определяется количеством строк, начальными координатами каждой строки, количеством пикселов в строке, координатами соответствующих пиксе-
Рис. 11. Дрейф льда в Азовском море (по данным ИСЗ "Метеор-М" № 1, КМСС)
лов исходного эталона и площадью (количеством пикселов). В дальнейшем преобразованный эталон переносится в каждую из ранее определенных позиций на исходном изображении, определяя первую группу необходимых для подсчета коэффициента корреляции данных. После этого преобразованный эталон последовательно переносится в каждую допустимую позицию области поиска на следующем изображении. Таким образом определяется вторая группа необходимых для подсчета коэффициента корреляции данных. Если полученное значение коэффициента корреляции больше предыдущего, то оно запоминается вместе с соответствующими координатами. По окончании обработки всех эталонов производится переход к новой паре значений масштаба и угла поворота, определяющих новое преобразование.
Для многоспектральных изображений процедуры поиска эталонов и их эквивалентов применяются к данным каждого спектрального диапазона. В дальнейшем из найденных позиций могут быть выделены те, для которых значения коэффициентов корреляции не меньше некоторого порогового значения, а длина векторов смещений больше заданного значения. Именно эти позиции участвуют в последующих операциях: отображение векторов смещений и определение новых эталонов. На рис. 11 представлено поле перемещений ледяных полей в Азовском море в период с 5 по 6 февраля 2012 г. с использованием предложенной технологии определения перемещений природных объектов по разновременным многоспектральным спутниковым изображениям.
Заключение. Многолетний успешный опыт использования описанного программного комплекса обработки спутниковых данных в различных прикладных задачах ДЗЗ подтверждает вы-
сокую эффективность реализованных в комплексе алгоритмов обработки данных ДЗЗ. Все исходные снимки из космоса, используемые в данной работе, любезно предоставлены Сибирским центром ФГБУ «НИЦ "Планета"».
Список литературы
1. Дистанционное зондирование: количественный подход / Ш. М. Дейвис, Д. А. Ландгребе, Т. Л. Филлипс и др. Под ред. Ф. Свейна и Ш. Дейвис. Пер. с англ. В. П. Пяткина, О. А. Юдиной; под ред. А. С. Алексеева. М.: Недра, 1983.
2. Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера, 2010.
3. Асмус В. В. Программно-аппаратный комплекс обработки спутниковых данных и его применение для задач гидрометеорологии и мониторинга природной среды. Дис. в виде науч. доклада на соискание уч. степени д-ра физ.-мат. наук. На правах рукописи. М. 2002.
4. Асмус В. В., Бучнев А. А., Пяткин В. П. Контролируемая классификация данных дистанционного зондирования Земли // Автометрия. 2008. № 4. С. 60-67.
5. Асмус В. В., Бучнев А. А., Пяткин В. П. Кластерный анализ данных дистанционного зондирования Земли // Автометрия. 2010. № 2. С. 58—66.
6. Jain A. K. Data clustering: 50 years beyond K-means. Pattern Recognition Letters. 2010. N 31. P.651-666.
7. Жамбю М. Иерархический кластер-анализ и соответствия. Пер. с фр. М.: Финансы и статистика, 1988.
8. Bezdek J. C. Pattern recognition with fuzzy objective function algorithms. NY: Plenum Press, 1981.
9. Салов Г. И. О мощности непараметрических критериев для обнаружения протяженных объектов на случайном фоне // Автометрия. 1997. № 3. С. 60-75.
10. Салов Г. И. Новый статистический критерий для задач с двумя и тремя выборками, более мощный, чем критерии Вилкоксона и Уитни // Автометрия. 2011. № 4. С. 58-70.
11. Asmus V. V., Buchnev A. A., Pyatkin V. P., Salov G. I. Software System for Satellite Data Processing of Applied Tasks in Remote Sensing of the Earth // Pattern Recognition and Image Analysis. 2009. V. 19. N. 3. P. 69-74.
12. Аргунов Л. П., В. П. Пяткин, Г. И. Салов и др. Об одном статистическом подходе к задаче автоматизированного выделения линейных элементов на аэрокосмических снимках / Докл. Акад наук. 1988. Т. 299. № 1. С. 76-79.
13. Alekseev A. S., Pyatkin V. P., Salov G. I. Crater Detection in Aero-space Imagery Using Simple Nonparametric Statistical Tests // Lecture Notes in Computer Science. Springer-Verlag. 1993. V. 179. P. 793799.
14. Бучнев А. А., Пяткин В. П., Cалов Г. И. Выделение кольцевых структур на космических снимках // Труды 9-го Междунар. науч. конгр. "ГЕО-Сибирь-2013", Новосибирск, 15-26 апр. 2013 г. C. 3-9.
15. Асмус В. В., Пяткин В. П. и др. Особенности строения зон глубинных разломов северной Армении по данным автоматизированной обработки космических снимков / Труды НПО "Планета". Методы и средства обработки аэрокосмических данных о параметрах природной среды. 1991. Сер. В. С. 151-179.
16. Bernd Jähne. Digital Image Processing. Springer-Verlag, Berlin, Heidelberg, 2005.
17. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Пер. с англ. под ред. П. А. Чочиа. М.: Техносфера, 2005.
18. MSG Meteorological Products Extraction Facility. Algorithm Specification Document. Doc. No. EUM/MSG/SPE/022. Issue 2.6. 1 June 2004.
19. Бучнев А. А., Пяткин В. П. Мониторинг облачных образований по данным геостационарных спутников Земли // Автометрия. 2009. № 4. С. 40-47.
Асмус Василий Валентинович - д-р ф.-м. наук, проф., дир. ФГБУ «НИЦ "Планета"»;
тел.: (495) 255-69-14; e-mail: asmus@planet.iitp.ru; Бучнев Алексей Александрович - канд. техн. наук, ст. науч. сотр. Института вычислительной математики и математической геофизики СО РАН;
тел.: (3833) 307-332; e-mail: baa@ooi.sscc.ru; Кровотынцев Владимир Анатольевич - канд. физ.-мат. наук, зав. отделом ФГБУ «НИЦ "Планета"»; тел.: (495) 255-69-14; e-mail: krv@planet.iitp.ru; Пяткин Валерий Павлович - д-р техн. наук, проф., зав. лабораторией Института вычислительной математики и математической геофизики СО РАН;
тел.: (3833) 307-332; e-mail: pvp@ooi.sscc.ru
Дата поступления - 12.07.2013
