CC BY
78
УДК 004.932.2
ТЕХНОЛОГИЯ И ПРОГРАММНЫЙ ИНСТРУМЕНТАРИЙ ДЛЯ СЕГМЕНТАЦИИ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ ВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ
Игорь Алексеевич Пестунов
Институт вычислительных технологий СО РАН, 630090, г. Новосибирск, Россия, пр. Академика Лаврентьева, 6, заведующий лабораторией обработки данных, тел. (383)334-91-55, email: pestunov@ict.nsc.ru
Сергей Александрович Рылов
Институт вычислительных технологий СО РАН, 630090, г. Новосибирск, Россия, пр. Академика Лаврентьева, 6, аспирант, тел. (383)334-91-55, e-mail: rylovs@mail.ru
Павел Владимирович Мельников
Институт вычислительных технологий СО РАН, 630090, г. Новосибирск, Россия, пр. Академика Лаврентьева, 6, аспирант, тел. (383)334-91-55, e-mail: pvm96@yandex.ru
Юрий Николаевич Синявский
Институт вычислительных технологий СО РАН, 630090, г. Новосибирск, Россия, пр. Академика Лаврентьева, 6, научный сотрудник, тел. (383)334-91-55, e-mail: yorikmail@gmail.com
Предлагается технология автоматизированной обработки изображений высокого разрешения по спектральным и пространственным признакам с учетом априорных сведений. Рассматриваются вопросы ее программной реализации в виде набора веб-сервисов. Приводятся результаты обработки изображений, полученных со спутников QuickBird и WorldView-2.
Ключевые слова: спутниковые изображения, высокое пространственное разрешение, сегментация изображений, спектральные и текстурные признаки, веб-сервисы.
TECHNOLOGY AND SOFTWARE TOOLKIT FOR SEGMENTATION OF SATELLITE HIGH SPATIAL RESOLUTION IMAGES
Igor A. Pestunov
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Acad. Lavrentjev ave., head of Data Processing Laboratory, tel. (383)334-91-55, e-mail:
pestunov@ict.nsc.ru
Sergey A. Rylov
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Acad. Lavrentjev ave., postgraduate student, tel. (383)334-91-55, e-mail: rylovs@mail.ru
Pavel V. Melnikov
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Acad. Lavrentjev ave., postgraduate student, tel. (383)334-91-55, e-mail: pvm96@yandex.ru
Yuriy N. Sinyavskiy
Institute of Computational Technologies SB RAS, 630090, Russia, Novosibirsk, 6 Acad. Lavrentjev ave., scientist, tel. (383)334-91-55, e-mail: yorikmail@gmail.com
A technology for automated processing of high resolution images using spectral and spatial features with a priori knowledge is proposed. Software implementation in the form of web services is considered. The results of processing QuickBird and WorldView-2 satellite images are presented.
Key words: satellite images, high spatial resolution, image segmentation, spectral and textural features, web services.
Введение. В настоящее время целый ряд спутников (Ikonos, QuickBird, РЕСУРС-ДК1, GeoEye-1, WorldView-2, Pleiades и др.) [1] обеспечивает регулярную поставку многоспектральных изображений высокого пространственного разрешения (2-4 м). Характерная особенность таких изображений заключается в том, что значительная часть информации, необходимая для их описания, заключена в пространственных характеристиках (текстура, форма, размер, контекст и т.п.). Традиционные методы сегментации, учитывающие лишь спектральные признаки, оказываются неэффективными для автоматизированного анализа таких изображений, поскольку они не способны достаточно полно описать их структуру. Получаемые с их помощью картосхемы характеризуются чрезмерной раздробленностью и малопригодны для дальнейшей интерпретации специалистами предметных областей. В настоящее время эффективные методы и алгоритмы сегментации многоспектральных изображений, учитывающие как спектральные, так и пространственные характеристики изображений, отсутствуют. Поэтому даннной проблеме в последние годы уделяется все больше внимания [2-5].
В данной работе предлагается технология автоматизированной обработки изображений высокого разрешения по спектральным и пространственным признакам с учетом априорных сведений. Рассматриваются вопросы ее программной реализации в виде набора веб-сервисов. Приводятся результаты обработки изображений, полученных со спутников QuickBird и WorldView-2.
Предлагаемая технология. Предлагаемая технология является развитием двухэтапной процедуры сегментации, подробно описанной в [6, 7], и позволяет учитывать при автоматизированном анализе имеющиеся априорные предположения об объектах исследования. Обработка осуществляется в три этапа. На первом этапе выполняется сегментация исходного изображения по спектральным признакам с использованием алгоритма кластеризации. Второй этап обработки позволяет учесть имеющиеся априорные предположения об объектах исследования. Для этого выполняется формирование набора тематических слоев на основе различных комплексных признаков (индексов) с последующим построением пространственных масок, предназначенных для исключения конкретных объектов (например, водная поверхность, здания, дороги и т.п.) из дальнейшей обработки. На третьем этапе выполняется текстурная сегментация картосхемы (с учетом построенных масок).
Программно-алгоритмический инструментарий. Программная реализация предлагаемой технологии опирается на алгоритмы, разработанные с уча-
стием авторов в рамках различных проектов и грантов. Для спектральной сегментации используются ансамблевые алгоритмы кластеризации EMeanSC [8] и ECCA [6], основанные на непараметрических оценках плотности распределения. При их реализации использовались технологии параллельных вычислений и эффективный алгоритм реализации метода иерархической кластеризации UPGMA [9], что позволило в несколько раз уменьшить время работы алгоритма. Кроме этого, использование специальной структуры данных в сеточном алгоритме ECCA позволило увеличить число одновременно используемых спектральных каналов с 5 до 8 при незначительном увеличении времени обработки.
На втором этапе производилось формирование масок некоторых объектов на основании имеющихся априорных сведений. Для этого использовались результаты спектральной кластеризации и следующие индексы:
1) нормализованный разностный вегетационный индекс (NDVI), предназначенный для выделения не покрытых растительностью территорий;
2) нормализованный разностный водный индекс (NDWI) [10], позволяющий выделить водные поверхности;
3) индекс антропогенности (IA) территорий [11], предназначенный для выделения зданий, дорог и других объектов искусственного происхождения.
Исключение перечисленных объектов из дальнейшего рассмотрения позволяет значительно повысить качество сегментации по текстурным признакам, выполняемой на третьем этапе [7].
На рисунке 1 приведен пример обработки снимка, полученного со спутника WorldView-2 27 сентября 2010 г. Время обработки спектральной и текстурной кластеризации ~1 с.
Протокол WPS. Упомянутые алгоритмы программно реализованы и доступны в виде веб-сервисов по протоколу Web Processing Service. Протокол WPS, предложенный консорциумом Open Geospatial Consortium (OGC) в 2007 году, является надстройкой над протоколом HTTP и описывает содержание HTTP-запросов и соответствующих им HTTP-ответов.
Основные WPS-запросы:
1. GetCapabilities - запрос списка доступных для выполнения процессов, т.е. доступных для использования алгоритмов;
2. DescribeProcess - запрос описания алгоритма, включающего список входных и выходных параметров, допустимые типы данных и значения по умолчанию;
3. Execute - запрос на выполнение алгоритма, представляющий из себя GET- или POST-запрос, в теле которого описаны параметры алгоритма.
Запрос также может содержать ссылки на другие источники данных, доступные по протоколам WFS/WMS/WCS, что позволяет хранить исходные данные и результаты обработки в удаленном каталоге или хранилище. Диаграмма взаимодействия клиента и сервера в ходе выполнения Execute-запроса показана на рисунке 2.
в г
Рис. 1. Пример обработки снимка WorldView-2 (2048 х 2048 пикселей): а - RGB-композит (каналы 5, 3, 2) исходного изображения; б - результаты спектральной кластеризации; в - построенные маски; г - полученная картосхема (1 - лесные территории, 2 - трава, 3 - незасеянные поля и пустоши, 4 - сельскохозяйственные посевы, 5 - вода, б - здания, сооружения, дороги,
7 - песок)
На данный момент существуют несколько WPS-серверов с открытым исходным кодом, поддерживающие стандарт WPS 1.0.0. Из них стоит выделить:
1) 52°North WPS (Java1), обеспечивающий интеграцию WPS-сервера с пакетами GRASS GIS, Sextante и вычислительной средой для языка R;
1 http://52north.org/communities/geoprocessing/wps/index.html
2) deegree3 (Java ), поддерживающий WMS, WFS, WCS, WPS и другие протоколы OGC;
3) ZOO WPS (C/JavaScript3);
4) PyWPS (Python4), имеющий встроенную поддержку пакета GRASS GIS. Помимо свободно распространяемых, существуют коммерческие проекты,
поддерживающие протокол WPS, такие как ArcGIS Server и ERDAS APOLLO.
Рис. 2. Диаграмма взаимодействия клиента и сервера в ходе выполнения
Execute-запроса
Клиентская часть протокола WPS реализована в открытых пакетах uDig (модуль, разработанный 52°North), OpenJUMP (модуль, разработанный 52°North), Quantum GIS (дополнительный модуль, загружаемый из стандартного хранилища). В дополнение к этому, 52°North предоставляет библиотеки Java-кгассов5 и JavaScript-функций на основе OpenLayers6, предназначенные для быстрого внедрения поддержки протокола WPS в другие пакеты программ. Среди коммерческих пакетов поддержку протокола WPS имеет пакет ArcGIS for Desktop.
На данный момент широкому распространению стандарта WPS препятствует отсутствие свободно распространяемых клиентских приложений c качественной реализацией стандарта. Наиболее полную поддержку WPS имеет пакет Quantum GIS, однако WPS-плагин для него не позволяет эффективно обрабатывать растровые данные большого объема и не имеет возможности использовать сторонние источники данных.
2 http://www.deegree.org
3 http://www.zoo-project.org
4 http://pywps. wald. intevation. org
5 http://52north.org/communities/geoprocessing/client-lib/index.html
6 http://52north.org/communities/geoprocessing/ol/index.html
Система веб-сервисов ИВТ СО РАН. В ИВТ СО РАН создана система веб-сервисов, предоставляющая доступ к некоторым модулям GRASS GIS и набору оригинальных алгоритмов. Архитектура системы представлена на рисунке 3. Реализация выполнена на языке программирования Java, что позволило обеспечить платформенную независимость. Ядром системы является WPS-сервер 52°North WPS. Он осуществляет интерпретацию входных и выходных данных согласно спецификации протокола WPS и выполняет запуск необходимых алгоритмов. С его помощью по протоколу WPS доступны: алгоритмы сегментации (MeanSC, EMeanSC, ECCA, трехэтапный классификатор); алгоритмы выделения текстурных признаков; некоторые модули GRASS GIS. В настоящее время система сервисов доступна для клиентских приложений по адресу http://wps.esemc.nsc.ru/wps/WebProcessingService.
Quantum GIS
ArcGIS for Desktop
OpenJUMP
UDIG
Другие клиентские приложения
WPS-сервер (wps.esemc.nsc.ru)
HTTP сервер (Apache Tomcat) GRASS GIS
fiPNnrth WPS
(веб-приложение дл Модули расширения (Java): ECCA, MeanSC GMRF, SAR я Tomcat) Модули GRASS
Иии- Модули расширения (С/С++, Fortran и др.): EMeanSC, ThreeStage
4 J
Рис. 3. Архитектура системы сервисов
Заключение. В работе предложена трехэтапная технология автоматизированной обработки изображений высокого разрешения. Второй этап обработки позволяет учесть имеющиеся априорные сведения об объекте исследования и существенно повысить качество спектрально-текстурной сегментации. Реализация алгоритмов в виде стандартизованных веб-сервисов позволяет обеспечить доступ к ним широкому кругу пользователей.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Болсуновский М.А., Бутин В.В. Новейшие спутники ДЗЗ и ближайшие перспективы систем высокого и сверхвысокого разрешения // Тез. докл. Десятой Всерос. конф. «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2012. - http://smiswww.iki.rssi.ru/d33_conf/thesisshow.aspx?page=27&thesis=3499
2. Sarmah S., Bhattacharyya D.K. A grid-density technique for finding clusters in satellite image // Patt. Recogn. Lett. - 2012. - Vol. 33. - P. 589-604.
3. Wang A., Wang S., Lucieer A. Segmentation of multispectral high-resolution imagery based on integrated feature distribution // Intern. J. Remote Sens. - 2010. - Vol. 31, N 6. - P. 14711483.
4. Dey V., Zhang Y., Zhong M. A review on image segmentation techniques with remote sensing perspective // ISPRS TC VII Symp. - 100 Years ISPRS, Vienna, Austria, July 5-7 2010. IAPRS. - Vol. XXXVIII, pt 7A. - P. 31-42.
5. Ilea D.E., Whelan P.F. Image segmentation based on the integration of colour-texture descriptors. - A review // Patt. Recogn. - 2011. - Vol. 44. - P. 2479-2501.
6. Пестунов И.А., Бериков В.Б., Куликова Е.А., Рылов С.А. Ансамблевый алгоритм кластеризации больших массивов данных // Автометрия. - 2011. - Т. 47, № 3. - С. 49-58.
7. Пестунов И.А., Рылов С.А. Алгоритмы спектрально-текстурной сегментации спутниковых изображений высокого пространственного разрешения // Вест. КемГУ. - 2012. -№ 4/2 (52). - C. 104-110.
8. Пестунов И.А., Бериков В.Б., Синявский Ю.Н. Сегментация многоспектральных изображений на основе ансамбля непараметрических алгоритмов кластеризации // Вест. СибГАУ - 2010. - T. 31, № 5. - С.45-56.
9. Gronau I., Moran S. Optimal implementations of UPGMA and other common clustering algorithms // Information Proc. Lett. - 2007. - Vol. 104, is 6. - P. 205-210.
10. Gao B.C. NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space // Remote Sensing of Environment. - 1996. - Vol. 58. - P. 257-266.
11. Борзов С.М., Нежевенко Е.С., Потатуркин О.И. Поиск объектов неприродного происхождения с использованием их структурных особенностей // Автометрия. - 2010. - Т. 46, № 5. - С. 36-42.
© И.А. Пестунов, С.А. Рылов, П.В. Мельников, Ю.Н. Синявский, 2013
