CC BY
161
УДК 62-503.5
РАЗРАБОТКА АЛГОРИТМА НАПРАВЛЕННОГО РАСПОЗНАВАНИЯ С УЧЕТОМ ИНФОРМАЦИИ О РЕЛЬЕФЕ НА ПРИМЕРЕ СПУТНИКОВЫХ СНИМКОВ И ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ
М.В. Овечкин, научный сотрудник; Р.Б. Алтынбаев, к.т.н., зав. лабораторией; А.С. Гафуров, младший научный сотрудник (Оренбургский государственный университет, просп.. Победы, 13, г. Оренбург, 460018, Россия, [email protected], rcLvil_djan@mail-ru, arturneon@mail-ru)
Рассмотрена проблема дистанционного зондирования, заключающаяся в неизбежных искажениях получаемых изображений. Установлено, что такие искажения могут быть скомпенсированы, если известны проекция орбиты
спутника на земную поверхность и механизм искажений. Описана дополнительная коррекция снимков методами сопоставления контрольных точек с географической картой. Отмечено, что географическую привязку и геометрическую коррекцию можно объединить в одну операцию совмещения деталей спутникового изображения и карты. Приведен пример совмещения на изображении участка с изгибом реки Урал. Предложен алгоритм направленного распознавания с учетом информации о рельефе, базирующейся на выделении контуров объектов изображения. Приведены формулы дифференцирования, применяемые для расчета смещений, обоснован выбор двухмерных масок оператора Лапласа, наиболее приспособленных для анализа спутниковых снимков. Предложено повышение быстродействия алгоритмов за счет использования предварительно создаваемого массива адресов изображения и последующей работы с адресами элементов. Скорость работы алгоритма повышается в 5-8 раз по сравнению с прямым обращением к пикселям изображения, что актуально для обработки пакетов изображений большого разрешения, таких как спутниковые снимки.
Ключевые слова: распознавание, изображения, спутниковые снимки, дистанционное зондирование, выделение контуров, GPS, рельеф местности.
DEVELOPMENT OF ALGORITHM OF DIRECTED RECOGNITION CONSIDERING INFORMATION ABOUT RELIEF BY EXAMPLE OF SATELLITE IMAGERY AND EARTH REMOTE SENSING DATA Ovechkin M. V., Research Associate; Altynbaev R.B., Ph.D. Tech. Sc., Head of Laboratory;
Gafurov A.S., Junior Researcher (Orenburg State University, Pobedy Av., 13, Orenburg, 460018, Russian Federation, [email protected], [email protected], [email protected]) Abstract. A remote sensing problem concerning unavoidable distortion of the images is researched. It is discovered that if satellite's ground path and distortion mechanism is known, such distortions can be compensated. Additional image adjustment using methods of comparison of control points with geographical map is described. It is mentioned that geographical reference and geometric correction can be combined into one operation of alignment of the details of satellite image and map. The alignment method applied to the image of the reach of the Ural river is given as an example. Directed recognition algorithm including information about terrain based on outlining of the image objects is suggested. Differentiation formulas for displacement estimation are provided. The choice of 2-D Laplace operator adjusted to the analysis of satellite images is justified. It is suggested that algorithm speed can be increased with preliminarily worked out block of addresses of image and succeeding operations with addresses of elements resulting 5-8 times higher algorithm speed comparing to direct access to image pixels, that is currently important when processing packets of such high resolution images as satellite images. Keywords: recognition, image, satellite imagery, remote sensing, the allocation of contours, GPS, terrain.
В последнее десятилетие важную роль для России стали играть спутниковые дистанционные методы исследования ее территории. Это связано как с дальнейшим совершенствованием космической техники, так и со свертыванием авиационных и наземных методов мониторинга.
Основные области применения спутникового дистанционного зондирования - получение информации о состоянии окружающей среды и землепользовании, изучение растительных сообществ, прогноз урожая сельскохозяйственных культур, оценка последствий стихийных бедствий: наводнений, землетрясений, извержений вулканов, лесных пожаров. Средства дистанционного зондирования эффективны при изучении загрязнения почвы и водоемов, льдов на суше и на воде, в океанологии. Они позволяют получать сведения о состоянии атмосферы, в том числе в глобальном масштабе [1].
Предварительная обработка данных дистанционного зондирования заключается в геометрической коррекции спутниковых изображений, радиометрической и атмосферной коррекции, в улучшении изображений путем изменения контраста, поиске краев объектов на изображении.
Специфические искажения, обусловленные тем, что наблюдение ведется под углом к поверхности, возникают при использовании сканеров с линейной разверткой и радиолокационных станций бокового обзора. Но существуют и другие источники искажений. Солнечно-синхронные орбиты природоведческих спутников не проходят
через ось вращения Земли, а имеют наклон относительно нее. Поэтому, если спутник движется с севера на юг (нисходящий виток орбиты), то вверху изображения будет не север, как на карте, а например север-северо-восток. К тому же во время сеанса приема спутниковой информации Земля поворачивается на некоторый угол (за 1 минуту на 0,25°). Такие искажения могут быть скомпенсированы, если известны проекция орбиты спутника на земную поверхность и механизм искажений.
Объекты на спутниковых изображениях иногда необходимо сопоставлять с географической картой (осуществлять географическую привязку спутниковых данных) для определения географических координат объектов. Географическую привязку и геометрическую коррекцию можно объединить в одну операцию совмещения деталей спутникового изображения и карты.
На рисунке 1а показано радиолокационное изображение района к юго-западу от г. Оренбурга. Карта района приведена на рисунке 1б, на ней отмечены контрольные точки.
Опорными точками здесь являются изгибы реки Урал.
После наложения спутникового изображения на карту местности и соотнесения опорных точек производится корректировка фотоизображения за счет масштабирования и поворота участка. Затем можно переходить к процедуре непосредственного распознавания областей, для чего необходимо получить контуры различных участков на снимках.
Важным этапом в процессе подготовки к извлечению признаков изображения является выделение краев и контуров объектов на основе подчеркивания перепадов яркости. Выделение вертикальных перепадов осуществляется дифференцированием по строкам, горизонтальных -по столбцам. Дифференцирование производится по формулам:
__,к _ у- у-
Яг,к = = !г,к - !г,(к-1) ,
8г,к = ■
Ах
Аа Ау
(1)
= Л,к /(
к ¿(1 -1),к :
где Ах - приращение вдоль строки, равное 1 пикселу; Ау - приращение вдоль столбца, равное 1 пикселу [2].
Для выделения перепадов используются следующие наборы весовых множителей, реализующих двухмерное дифференцирование:
V =
Г1 1
V
Г-
1
-2
1 1 1
№3 =
V =
=
-1 -1
1 11
-2 1
1 1
V =
Г 1 1
-1 -2
V-1 1 Ъ
V =
Г-1 -1 11 -1 -2 1
1 -2 11
Г-1 -1 -11 1 1
Г1 1 -11
1 -2 -1
V1 1 -1/
V =
V =
1 1)
-1 -11
-2 -1
1 1 V
1 11
-2 -1
-1 -1
(2)
где Wl - северное направление перепада; W2 - северо-восточное направление перепада; Wз - восточное направление перепада; - юго-восточное направление перепада; W5 - южное направление перепада; W6 - юго-западное направление перепада; W1 - западное направление перепада; W8 - северо-западное направление перепада.
Для данного исследования подобные маски, действующие в направлении склона перепада, вызывающего максимальный отклик фильтра, не дают необходимого результата в связи с тем, что большинство распознаваемых объектов на изображениях - природные объекты, не имеющие направления перепада яркости.
Для выделения перепадов без учета их ориентации используются двухмерные операторы Лапласа [2], сумма весовых множителей которых равна нулю:
Г-1 -1 -11
V =
Г о -1 о 1
-1 4 -1
V0 -1 0 /
Г 1 -2 1 1
¡11 =
-2 4 -2 V 1 -2 1/
V = ¡'10
V = ¡12
-1
-1
-1 -1 -1
V V
Г-1 -2 -11
-2 12 -2
-1 -2 -1
V V
. (2а)
Пример реализаций оператора Лапласа, маски W14, для фрагмента, изображенного на рисунке 1, представлен на рисунке 2.
Рис. 3. Алгоритм реализации оператора Лапласа
После применения маски видно, что диагональная граница русла реки довольно четко выделена белым цветом. И несмотря на то, что прочие области излишне зашумлены, полученные контрастные изображения с выделенными границами объектов удобны для последующей машинной векторизации. Были также проверены и другие, менее распространенные маски, однако предпочтение отдано структуре W16 как наиболее подходящей для изображений, полученных радиолокационными методами, в связи с наиболее четким откликом на необходимые границы. Таким образом, лапласиан будет записан в следующем виде:
L(fx, y))=-fx-1, y-1)-2fx, y-1)-
-fx+1, y-1)-2-fx-1, y)+12fx, y)- (3)
-2fx+1, y)-fx-1, y+1)-2fx, y+1)-fx+1, y+1).
Алгоритм реализации оператора Лапласа представлен на рисунке 3. Для повышения быстродействия используется предварительно создаваемый массив адресов изображения. Последующая работа с адресами элементов повышает скорость работы алгоритма в 5-8 раз по сравнению с прямым обращением к пикселям изображения, что актуально для изображений большого разрешения, таких как спутниковые снимки.
Алгоритм состоит из следующих этапов:
- получение размеров изображения, необходимых для настройки параметров метода, а также ссылок на адреса точек изображения в оперативной памяти;
- двойной цикл, перебирающий адреса точек изображения;
- три вложенных последовательных цикла, заполняющих по столбцам массив фильтра адресами точек изображения; тройной цикл обусловлен тем, что работа с адресами осуществляется построчно, однако адресный подход позволяет выполнять данную операцию на порядок быстрее, чем традиционный метод поэлементной работы с точками изображения;
- сортировка массива фильтра в соответствии с выбранной маской;
- установка новых значений цвета по адресам фильтра.
Таким образом, представленный алгоритм направленного распознавания с учетом информации о рельефе позволяет успешно получать информацию о контурах рельефа местности на спутниковых снимках для последующей векторизации.
Литература
1. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений. М.: Логос, 2001. 264 с.
2. Вудс Р., Гонсалес Р. Цифровая обработка изображений. М.: Изд-во Техносфера, 2005. 1072 с.
3. Анализ данных аэрофотосъемки I Хабрахабр. URL: http://habrahabr.ru/post/139408/ (дата обращения: 06.03.2013).
4. Визильтер Ю.В. Применение метода анализа морфологических свидетельств в задачах машинного зрения II Вестн. комп. и информ. технологий. 2007. № 9. 118 c.
References
1. Kashkin V.B., Suhinin A.I. Distantsionnoe zondirovanie Zemli iz kosmosa. Tsifrovaya obrabotka izobrazheniy [Remote sensing and monitoring of the Earth from space. Digital image processing]. Moscow, Logos Publ., 2001, 264 p.
2. Woods R., Gonzalez R. Digital image processing. 3 ed., Prentice Hall Publ., 2007, 976 p.
3. Aerial photography data analysis. Habrahabr Available at: http://habrahabr.ru/post/139408/ (accessed 6 March 2013).
4. Visilter U.V. The application of hysiographic evidence analysis method to computer vision problems. Vestnik komp'iuternykh i informatsionnykh tekhnologii [Herald of computer and information technologies]. Spektr Publ., 2007, no. 9, 118 p.
