CC BY
54
© С.М. Борзов, И.И. Коршевер, О.И. Потатуркин, 2009
УДК 528.854
С.М. Борзов, И.И. Коршевер, О.И. Потатуркин
ПОИСК ОБЪЕКТОВ НЕПРИРОДНОГО ПРОИСХОЖДЕНИЯ НА ОСНОВЕ МНОГОСПЕКТРАЛЬНОЙ ОБРАБОТКИ ПРОСТРАНСТВЕННЫХ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
Предложен метод поиска объектов неприродного происхождения, основанный на совместной обработке многоспектральных разномасштабных пространственно распределенных данных дистанционного зондирования Земли. Ключевые слова: геоинформационные системы, мониторинг поверхности земли, обработка пространственно-распределенных данных, многоспектральные изображения.
~П последние годы при обработке данных дистанционного
-Я-М зондирования Земли широкое распространение получили объектно-ориентированные методы классификации, типичная процедура реализации которых состоит из следующих этапов: сегментация (выделение однородных по спектральным признакам зон), определение признаков обнаруженных сегментов, принятие решения об их принадлежности к определенному классу [1, 2]. Первый этап является ключевым и во многом определяет результат всего процесса в целом. Однако его выполнение в реальных условиях затруднено для изображений наблюдаемых объектов размерности не более десятков пикселей. По этой причине поиск объектов неприродного происхождения предлагается выполнять на пиксельном уровне (без использования сегментации), причем характеризовать каждый пиксель, как спектральными, так и пространственными (с учетом локальной окрестности) признаками.
Поиск объектов неприродного происхождения может осуществляться на основе их спектральных и структурных особенностей. В частности контуры антропогенных объектов имеют зачастую более правильную форму, для них характерно наличие теней, водонепроницаемых покрытий, участков почв с низкой влажностью и низким уровнем растительности, а также зон с повышенной температурой (нагретые на солнце искусственные поверхности и/или выделяющие тепло объекты, связанные с жизнедеятельностью че-
ловека). Характерным признаком является также изменение локальных статистических параметров изображений при изменении масштаба. Так, дисперсия в пределах изображений отдельных объектов мала, а для совокупности объектов принимает более высокие значения. Поэтому необходимо на основе анализа многоспектральных и разномасштабных изображений перейти от этих персептив-ных (воспринимаемых человеком) признаков к количественным.
Рассмотрим наиболее существенные для решения поставленной задачи признаки. Так при оценке наличия растительности традиционно используется спектральный вегетационный индекс NDVI (отношение красного и ближнего ИК каналов), а для оценки влажности NDWI (отношение зеленого и среднего ИК каналов). Важными пространственными признаками окрестности пикселя являются: дисперсия, прямолинейность контуров однородных зон и т.п. В частности, одним из свойств зон с преобладанием объектов неприродного происхождения является наличие большого количества «особых точек», т.е. таких отсчетов на исходном изображении, окрестность которых существенно отличается от всех соседних. Чаще всего для их определения осуществляется поиск структур типа «угол» [3], что позволяет получить данные, содержащие существенную количественную информацию о структуре сцены.
В результате для разделения объектов искусственного и естественного происхождения предлагается использовать:
Спектральные признаки: NDVI - вегетационный индекс; NDWI - индекс влагосодержания; PAN - общая яркость относительно средней яркости по кадру в диапазоне 520-900 нм (спутник Landsat 7).
Пространственные признаки локальной окрестности: D -дисперсия; Dif - острота «особых точек»; T - температурное распределение.
При этом признаки рассчитываются для различных масштабов изображения, когда размер объектов меньше и больше размера окрестности.
После формирования набора признаков выполняется классификация пикселей. В результате для каждого пикселя с координатами (x,y) на исходном изображении вычисляется значение решающей функции F(x,y), характеризующее принадлежность пикселя объекту неприродного происхождения:
Эффективность предложенного подхода исследована на изображениях реальных сцен, полученных со спутника Landsat 7 (сканер ETM+) и из системы Google Earth. В качестве примера рассмотрим процедуру обработки изображений окрестности Новосибирского Академгородка (рис. 1, а) с целью выделения зданий определенных размеров.
В данном случае для осуществления многоспектральной раз-номаштабной обработки: индексы NDVI и NDWI получены как соотношения 3, 4 и 2, 5 спектральных каналов спутника Landsa t 7, соответственно; пространственные признаки локальных окрестностей (D - дисперсия; Dif - острота «особых точек») рассчитаны по панхроматическому изображению со спутника Landsat 7 (PAN(x,y), спекральный канал 8) и по изображению высокого разрешения из системы Google Earth. Выполнена как совместная, так и классификация с использованием только спектральных признаков. В первом случае решающая функция имеет вид:
;|(1-NDVI1)t4:i-NDWI1),
при NDVI1 < 0.6 & NDWI1 < 0.3 & PAN1 > 0.3 &
F (x, y) =
Dif > 0.5 & Pic1 > 0.5 & Pic2 > 0.7,
0,
|при !(NDVI1 < 0.6 & NDWI1 < 0.3 & PAN1 > 0.3 &
Dif > 0.5 & Pic1 > 0.5 & Pic2 > 0.7 ),
а во втором - F (x, y) = (1 - NDVI 1) • (1 - NDWI 1) .
Результат обработки с применением только спектральных признаков представлен на рис. 1, б, результат совместной обработки на рис. 1, в. Видно, что при совместной обработке эффективность выделения строений повышается, в меньшей степени выделяются дороги, стадионы, участки открытых почв без строений, уменьшился также уровень шума в лесопарковых зонах.
В каждом конкретном случае решающая функция формируется в зависимости от требований решаемой задачи. Так при поиске транспортных средств повышается важность признаков связанных с движением и нагретыми объектами, а при обнаружении зданий на первое место выходят признаки формы и наличие теней. При наличии же априорной информации о координатах
Рис. 1, а, б, в
объектов обнаруживаемого типа решающая функция, в т.ч. значения порогов могут быть скорректированы в результате процедуры обучения.
Таким образом, в работе показано, что поиск объектов неприродного происхождения по многоспектральным разномасштабным пространственно распределенным данным целесообразно выполнять на пиксельном уровне без предварительной сегментации исходных изображений путем их совместной обработки. При этом пространственная информация анализируется на уровне окрестностей пикселей.
------------------------------------------- СПИСОК ЛИТЕРАТУРЫ
1. Benz U.C., Hofmann P., Willhauck G., Lingenfelder I., andHeynen M. «Multiresolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information», ISPRS Journal of Photogrammetry and Remote Sensing. 58(3-4):pp 239-258. 2004.
2. Ryherd S.and Woodcock C.E. «Combining spectral and texture data in the segmentation of remotely sensed images», Photogrammetric Engineering and Remote Sensing. 62(2): pp 181-194. 1996.
3. Harris C.and Stephens M., «A oombined oorner and edge detector», Proceedings of The Fourth Alvey Vision Conference, Manchester, pp 147-151. 1988. nsrj=i
Borzov S.M., Korshever I.I., Potaturkin O.I.
DETECTION OF MAN-MADE OBJECTS BASED ON IMAGE PROCESSING OF MULTISPECTRAL REMOTE SENSED DATA.
Method for detection of man-made objects based on image coprocessing of mul-tispectral non-uniformly scaled remote sensed data is proposed.
Key words: geographic information systems (gis), land cover monitoring, spatially distributed data processing, multispectral imaging.
— Коротко об авторах ------------------------------------------------------------
Борзов Сергей Михайлович - кандидат технических наук E-mail: borzov@iae.nsk. su, Учреждение Российской академии наук Институт автоматики и электрометрии СО РАН, г. Новосибирск,
Коршевер Игорь Иосифович - кандидат технических наук, доцент, старший научный сотрудник, E-mail: korshever@iae.nsk. su, Учреждение Российской академии наук Институт автоматики и электрометрии СО РАН,
Потатуркин Олег Иосифович - доктор технических наук, профессор, E-mail: potaturkin@iae.nsk.su, Учреждение Российской академии наук Институт автоматики и электрометрии СО РАН.
