CC BY
90
УДК 528.854 Е.П. Хлебникова СГГ А, Новосибирск
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ РЕГИОНАЛЬНОГО МОНИТОРИНГА ПО МНОГОЗОНАЛЬНЫМ КОСМИЧЕСКИМ СНИМКАМ
Развитие технических средств дистанционного зондирования, совершенствование средств приема, хранения и обработки материалов аэрокосмических съемок и других данных дистанционного зондирования позволили подойти к практическому созданию систем мониторинга различного уровня для решения широкого круга задач. Для России с ее огромной территорией особое значение имеют системы регионального мониторинга, основанные на использовании космических снимков.
В настоящее время стало реальностью создание действующих систем мониторинга на основе космических съемок различного уровня разрешения. В связи с этим актуальной является задача совершенствования методов обработки снимков, повышение достоверности дешифрирования для решения широкого круга задач регионального мониторинга.
Анализ существующих методов аэрокосмического мониторинга показал, что в современных системах мониторинга возникает ряд условий, позволяющих повысить эффективность дешифрирования объектов на космических снимках, связанных с наличием:
- Определенной структуры, то есть объектного состава на исследуемой территории;
- Объектов, которые не изменяют своего пространственного положения;
- Объектов, которые имеют достаточно устойчивые спектральные характеристики в заданном диапазоне съемки;
- Дополнительных данных (топографических и тематических карт, материалов аэросъемки и других материалов).
Повышение эффективности системы мониторинга связано с учетом этих условий.
Основным признаком для дешифрирования объектов на снимке является яркость изображения. Однако на соответствие между состоянием объекта и яркостью изображения влияет большое количество разнообразных факторов. Этими факторами, например, являются состояние атмосферы, положение солнца, расстояние до объекта и др. Если изображение получено в одном спектральном диапазоне, то для данного снимка большинство параметров будет одинаково [1]. В этом случае отношение яркостей изображений объектов будет равно отношению яркостей самих объектов:
1изоб1 Ь°б1 г ,1Л
-----= ~----= % , (1)
Lизобj Lобj
где Ьоб.,- яркость некоторого «опорного» объекта и его
изображения на снимке соответственно;
Ку - нормированное значение яркости изображения объекта.
Используя формулу (1), формируют новые изображения, значение яркости каждого элемента которых равно Ру = К у и зависит только от
свойств объекта. В результате преобразования формируется т изображений, где т - количество съемочных каналов.
Для нормирования изображений в качестве опорных должны выбираться объекты, легко дешифрируемые на всех снимках и имеющие устойчивые собственные оптические характеристики.
Дальнейшим развитием использования предложенной методики нормирования яркостей были исследования разложения Карунена-Лоэва применительно к нормированным изображениям с целью получения главных компонент.
Метод главных компонент - сложное преобразование многозональных снимков, основанное на многомерном статистическом анализе, позволяющее построить более информативные линейные комбинации исходных изображений, полученных в разных зонах спектра, и сократить количество анализируемых данных.
Метод основан на том, что многозональные изображения обладают значительной степенью корреляции между зонами. Причинами ее возникновения может быть реальная физическая зависимость между измеряемыми свойствами объектов, а также частичное перекрытие зональных диапазонов съемки, влияние пространственных вариаций атмосферы и другие.
Сущность метода главных компонент состоит в формировании по исходным многоспектральным изображениям преобразованных некоррелированных изображений (или псевдоизображений). Каждая компонента (новое преобразованное изображение) будет соответствовать разложению спектральных яркостей по базису, состоящему из собственных векторов корреляционной матрицы спектральных измерений (значениям яркостей в каждом спектральном канале). Таким образом, выделение главных компонент соответствует разложению исходного многоспектрального изображения по ортогональному базису, который строится для каждого многоспектрального изображения.
Преобразованные многоспектральные изображения вычисляются путем последовательного преобразования векторов измерений в некоррелированные векторы по формулам:
У = их. (2)
В результате преобразования ковариационная матрица С рр становится диагональной вида:
*
C pp =
А 0 . 0 л
0 Л2 . 0
. . . 0
^0 0 0 An j
= А. (3)
Для этого нужно выполнить разложение:
CPP = UAUt . (4)
Как известно, проблема разложения матрицы CPP сведется к нахождению собственных чисел А и собственных векторов Uj матрицы CPP , таких, что
UtCppU =А . (5)
Учитывая, что C№ зависит от типа объектов и от структуры поверхности территории, то есть от набора объектов, которые содержатся на данном участке, и именно это вызывает устойчивые корреляционные связи между яркостями в спектральных зонах, уместно предположить, что собственные векторы будут являться достаточно устойчивыми признаками для совокупности набора объектов одного типа.
Методика получения постоянного базисного вектора состоит в следующем.
Сначала производится детальный анализ исследуемой территории и выявляется набор типовых участков в зависимости от географического положения изучаемой местности и степени антропогенной нагрузки. Затем из имеющихся материалов, полученных тем типом съемочной системы, которая будет использоваться для решения задач мониторинга, выбираются снимки или их фрагменты, которые наиболее полно отображают интересующий набор типовых участков.
На следующем этапе производится нормирование изображений согласно (1). После проведения нормирования для каждого изображения вычисляются собственные векторы U, и производится их статистическая обработка. Если типичные участки были выбраны правильно, значения собственных векторов для таких изображений будут близки, затем по ним рассчитывается базисный вектор. С использованием таких векторов можно проводить интерактивное дешифрирование получаемой информации, что значительно повысит оперативность проведения регионального мониторинга.
Возможность применения метода главных компонент при региональном мониторинге была исследована по различным видам космических снимков (Quick Bird, Spot, Ikonos). Для типовых участков местности были вычислены собственные значения, собственные векторы и их средние значения для исходных и нормированных изображений.
На рис. 1 представлен пример разложения ненормированных (а, б) и нормированных (в, г) изображений по среднему базисному вектору для снимков спутниковой системы Quick Bird.
а) б) в) г)
Рис. 1
Визуальное сопоставление полученных изображений показывает, что природные объекты на нормированных изображениях перекрывающихся снимков выглядят идентично, а на исходных заметно различаются. В табл. 1 приведены значения главных компонент, соответствующие изображению одной и той же точки местности на разных фрагментах снимков.
Таблица 1. Значения главных компонент
Значения главных компонент
Компоненты Исходные снимки Нормированные снимки
1 2 1 2
1 202 253 63 63
2 119 159 62 59
3 192 255 75 78
Анализ данных таблицы 1 показывает, что выводы по визуальной оценке изображений на рисунке 1 подтверждаются численными значениями главных компонент, полученными для одной и той же точки местности, которые для нормированных снимков стали практически равными. После нормирования яркостей в 70-75% случаев произошло уменьшение стандартного отклонения в среднем в 2,5 - 3 раза. Кроме того, стали близки средние значения собственных векторов разных снимков.
Проведенные исследования показали, что собственные векторы корреляционной матрицы нормированных многозональных изображений одних и тех же участков местности, полученных одной и той же съемочной
системой, являются устойчивым признаком территории. Эти векторы можно использовать как базисные для получения главных компонент многозональных изображений.
Кроме того, проведенные практические исследования показали, что при выборе фрагментов изображений, по которым формируется единый базисный вектор, необходимо учитывать объектный состав территории. Такие фрагменты должны содержать максимально полный набор типовых участков местности. Набор таких векторов можно в дальнейшем использовать как обобщенный индикатор типов участков для выявления изменений. Также было предложено использовать собственные векторы и~1 для хранения многоспектральных изображений в системах мониторинга, что существенно сокращает объем информации.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Хлебникова Е.П. Влияние нормирования яркости на достоверность дешифрирования многозональных космических снимков [Текст] / Е.П. Хлебникова // Геодезия и картография. - 2005. - №12. - С. 24 -28.
© Е.П. Хлебникова, 2007
