CC BY
33
УДК 528.854 Е.П. Хлебникова СГГА, Новосибирск
ПРИМЕНЕНИЕ МЕТОДА ГЛАВНЫХ КОМПОНЕНТ ДЛЯ МОНИТОРИНГА ГОРОДСКИХ ТЕРРИТОРИЙ
Ye. P. Khlebnikova SSGA, Novosibirsk
USE OF MAIN COMPONENTS FOR URBAN AREAS MONITORING
Computer-based interpretation of urban areas by multizone satellite images is an urgent and promising problem. But presently the interpreters face the problems of modern camera devices high resolution, high housing density, complex geometry of architectural structures, diversity of wavelength characteristics of objects under study, etc. The authors prove that using the method of main components as well as base vectors help to solve the problem.
В настоящее время массовой застройки, которая особенно ярко проявляется в городах-мегаполисах, все более актуальными становятся задачи проведения мониторинга городских территорий. Под мониторингом понимается комплексная система взаимосвязанных работ по регулярному наблюдению за городской территорией, оценке и прогнозу её изменений под влиянием естественных и антропогенных факторов. На основе данных мониторинга производится выработка рекомендаций и вариантов управленческих решений, направленных на обеспечение устойчивого развития города [1].
Основными градоустроительными задачами являются топографический мониторинг для разработки генерального плана и контроль его исполнения; экологический мониторинг, т. е. выявление несанкционированных свалок, незаконного строительства в рекреационных, водоохранных зонах и др.; благоустройство города - учет тротуаров, газонов, цветников, паспортизация древесных насаждений; отображение улично-дорожной сети; подготовка графических материалов для торгов и аукционов, выдачи разрешений на строительство, ввод объектов в эксплуатацию и т. д. [2, 3].
Данные для проведения такого рода мероприятий могут быть получены из различных источников, однако наиболее оперативной и достоверной на настоящее время является информация, полученная при помощи многозональных космических съемочных систем высокого разрешения.
Однако объективные достоинства данных материалов на практике зачастую вызывают ряд серьезных проблем, особенно остро проявляющихся при попытках автоматизированного дешифрирования объектов городской застройки. Например, высокая разрешающая способность современных съемочных систем затрудняет попиксельную привязку разновременных снимков, что влечет контурные ошибки при создании разностных изображений, при помощи которых можно обнаружить произошедшие изменения по методу, предложенному в [4]. Наличие многозональной съемки, с одной стороны,
позволяет использовать большое количество возможностей спектрального анализа данных, предлагаемых современным программным обеспечением, однако многообразие спектральных характеристик исследуемых объектов вызывает сложности при создании яркостных их эталонов, а так же в дальнейшей интерпретации полученного классифицированного растра. Кроме того, плотность высотной застройки территории, геометрическая сложность архитектурных сооружений, наличие затененных мест, автотранспорт на дорогах и т. д. ведут ко многим другим сложностям в вопросах автоматизированного дешифрирования городских территорий.
Для нахождения путей решения стоящих проблем были проведены эксперименты по использованию метода главных компонент, исходными материалами являлись космические снимки Ikonos (4 спектральных канала плюс панхроматический) на городскую территорию, полученных из Google.
На рис. 1 представлен исходный снимок и его фрагмент.
Рис. 1
Hl Zoom [4х]
зеж
л < 1
л
5Пб1
Vi
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 [5].
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.
Пусть Р - многозональное изображение, содержащее К (по числу каналов) матриц цифровых изображений размера N х N:
Р = {Р1 ,РЛ,РШ,Р1У,...,РК}. (2)
Элементы р(К) исходных цифровых изображений Р(К}, составляющих
многоспектральное изображение Р, - это значения яркостей, измеренных в соответствующих каналах (К) съемочной системы. Значения яркостей для
элементов ри р(), полученных из разных каналов, для большинства
таковых сильно коррелированны.
Метод главных компонент позволяет от многозонального цифрового
изображения Р перейти к новому представлению Рс = {I'/;,Р",Р"1,..., }, где изображения Ру являются некоррелированными. Первые изображения Р^, РД.
, Р<1/ называются главными компонентами многоспектрального изображения Р,
так как эти компоненты представляют основную информацию, содержащуюся в исходных изображениях.
Значения элементов матрицы новых преобразованных изображений получаются из известного соотношения:
= (3)
где и - матрица, составленная из собственных векторов ковариационной
п п _ _ т
I ЦРуР/
Г1 '=1.7=1 матрицы О рри =--
Ч п п _ г, — т2
Е ТРу2 Ру
г=у=1
Как известно, проблема разложения матрицы Орр сведется к нахождению собственных чисел и собственных векторов <7, матрицы (},,,,, таких, что
итОРРи =Я . (4)
На рис. 2 представлены результаты обработки исходного изображения указанным методом в программном комплексе ENVI 4.5. Файл обработки содержит исходные статистические данные, а также численные значения ковариационной и корреляционной матриц, собственных чисел и векторов.
Basic Stats Band 1 Band 2 Band 3 Band 4
St dew 130 005117 246 356460 134 646233 97 050039
Eigenvalue
0 967414 0 053775 0 .019421
Min
0 0 0 0
Мак 2047 2047 2047 2047
Mean 240 232100 493 060602 337 407492 307.444612
Hum 1
2
3
4
Covariance Band 1 Band 2 Band 3 Band 4
Band 1 19066.67US6 3666.540413 13003.431339 12675.106080
Band 2 3666 940413 60691 509520 3309 133075 1670 734415
Band 3 10000 431339 3309 133075 10129 607956 12732 674154
Band 4 12675.106000 1670 734415 12732 674154 9410 .G65406
Correlation Band 1 Band 2 Band 3 Band 4
Band 1 Band 2 Band 3 Band 4
1 .000000 0. 107796 0 968599 0 945034
0 .107796 1. 000000 0 102172 0 069079
0 .963599 0. 102172 1 000000 0 974 375
0 .945334 0. 069879 0 974 375 1 000000
Eigenvector Band 1 Band 2 Band 3 Band 4
Band L 0.573505 -0.031703
-0.747697 0.333222
Band 2 0 033045 0.996070 0.027426 0 013380
Band 3 0 578974 -0 039725 0 084000 -0 809950
0 -0 0 0
Band 4
573572 072419 658031 482457
Рис. 2
Учитывая, что ковариационная матрица 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 [5].
На рис. 3 представлен графический результат указанной обработки.
Рис. 3
Визуальный анализ рис. 1 и 3 показывает, что дешифрируемость полученных изображений гораздо выше, чем исходных, что подтверждается результатами неконтролируемой классификации.
На настоящем этапе исследований ведется экспериментальное определение наиболее стабильного опорного объекта в городских условиях, необходимого для проведения процедуры нормирования [6], что в последствии позволит получить базисный вектор, рассчитываемый по значениям собственных векторов.
Проведенные ранее эксперименты [5] показали, что наличие такого вектора позволяет проводить интерактивное дешифрирование получаемой информации, что значительно повысит оперативность проведения мониторинга городских территорий.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Большаков В.Н., Качак В.В., Коберниченко В.Г. и др. Экология: Учебник..- М.: Логос. - 2005. - 504 с.
2. Антонов А.А. Мониторинг градостроительной деятельности на территории Московской области в рамках работ по Генеральному плану развития территории Московской области / А.А. Антонов, Б.С. Фельдман, Р.С. Фельдман // Сб. тезисов третьей Междунар. конф. «Земля из космоса - наиболее эффективные решения», Москва, Россия,2007 г.
3. Алябьев А.А. Особенности мониторинга городских территорий по космическим снимкам сверхвысокого разрешения / А.А. Алябьев, Е.А. Кобзева, С.В.Серебряков // ГЕО-Сибирь-2008. Т. 3. Ч. 1. Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология: сб. материалов IV междунар. научн. конгресса «ГЕО-Сибирь-2008», 22-24 апреля 2008 г., Новосибирск. - Новосибирск: СГГА, 2008. - С. 26-31.
4. Хлебникова, Е.П. Определение динамики изменения природных объектов по многозональным космическим снимкам / Хлебникова Е.П. // ГЕ0-Сибирь-2006. Т. 3. Мониторинг окружающей среды, геоэкология, дистанционные методы зондирования Земли и фотограмметрия. Ч. 1: сб. материалов междунар. научн. конгресса «ГЕ0-Сибирь-2006», 2428 апреля 2006 г., Новосибирск. - Новосибирск: СГГА, 2005. - С. 227-232.
5. Хлебникова, Е.П. Повышение эффективности регионального мониторинга по многозональным космическим снимкам / Хлебникова Е.П. // ГЕО-Сибирь-2006. Т. 3. Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология: сб. материалов III междунар. научн. конгресса «ГЕО-Сибирь-2007», 2527 апреля 2007 г., Новосибирск. - Новосибирск: СГГА, 2005. - С. 171-174.
6. Хлебникова, Е.П. Влияние нормирования яркости на достоверность дешифрирования многозональных космических снимков [Текст] / Хлебникова Е.П. // Геодезия и картография. - 2005. - № 12. - С. 24-28.
© Е.П. Хлебникова, 2009
