CC BY
177
ВОЗМОЖНОСТЬ ПРИМЕНЕНИЯ АВТОМАТИЗИРОВАННЫХ МЕТОДОВ ДЕШИФРИРОВАНИЯ ДЛЯ РЕШЕНИЯ ЗАДАЧ ИНВЕНТАРИЗАЦИИ ЛЕСОВ
Владимир Николаевич Манович
ФГУП "Рослесинфорг", 109316, г. Москва, Волгоградский проспект, д. 45, кандидат технических наук, гл. инженер, тел. (495) 926-19-42, e-mail: manovichv@yandex.ru
Лариса Геннадьевна Евстратова
Географический факультет МГУ им. М.В. Ломоносова, 119991, Москва, ГСП-1, Ленинские горы, кандидат технических наук, доцент, н.с. лаборатории аэрокосмических методов кафедры картографии и геоинформатики, тел. (495) 939-50-42, e-mail: lge_21@mail.ru
В статье приводятся требования к системе сбора данных для мониторинга и инвентаризации лесов. Предлагается технология автоматизированного дешифрирования, основанная на использование комплексных признаков, объединяющих как спектральные, так и структурные характеристики изображений объектов на снимках.
Ключевые слова: автоматическое дешифрирование, космические снимки,
дешифровочные признаки.
THE POSSIBILITY TO APPLY THE AUTOMATICS RECOGNITION METHODS FOR SOLVING OF FOREST INVENTORY TASKS
Vladimir N. Manovich
Federal State Unitary Enterprise “Roslesinforg”, Moscow, Russia, Volgogradskiy Prospect, 45, st.
1, Chief Engineer, Ph. D, . tel. (495) 926-19-42, e-mail: manovichv@yandex.ru
Larisa G. Evstratova
Laboratory of Aerospace Methods, Faculty of Geography, Moscow State University, 119991 Moscow, Russia, Leninskiye Gory, Ph. D, Researcher, tel. (495) 939-50-42, e-mail: lge_21@mail.ru
In the article the demands to the data capture system for monitoring and inventory of the forest are given. The technology of the automatic recognition, based on using of complex features combined both spectral and structured characteristics of object pattern on images is suggested.
Key words: automatic recognition, space images, recognition feature.
В 2005 году возродились работы по мониторингу Земли, а также стали развиваться технологии государственной инвентаризации лесов, основанные на использовании технических и программных средств, принципиально отличающихся от традиционных.
В настоящее время, данные дистанционного зондирования Земли могут быть получены во всех необходимых зонах спектра, с различным разрешением, позволяющие изучать леса практически до детального уровня, и данные могут быть получены практически с любой периодичностью (в настоящее время, используя данные с различных спутников можно получить снимки с
периодичностью менее суток). Следует отметить, что существенно изменились наземные методы таксации леса, которые используют GPS методы и комплексы типа ПИК ГИЛ.
Проблема заключается в эффективной обработке данных дистанционного зондирования и, в частности, многозональных космических снимков. Несмотря на то, что в настоящее время развиваются специализированные пакеты обработки изображений, такие как ERDAS, ENVI, PC Geomatica и другие, в настоящее время нет эффективной методики определения всех необходимых таксационных характеристик.
Таким образом, в настоящее время требуется изменить систему сбора данных для мониторинга и инвентаризации лесов.
Новая технология должна удовлетворить следующим требованиям:
- Наземные таксационные работы должны выполняться по такой технологии, которая позволит получить результаты обработки полевых данных в год выполнения работ;
- Таксационные работы способом актуализации материалов предыдущего лесоустройства (таксации лесов) должны базироваться на использовании материалов ДЗЗ (дистанционного зондирования Земли) высокого и сверхвысокого разрешения или на материалах цифровой аэросъемки, данных лесопатологического, лесопожарного мониторинга и материалов использования леса;
- Таксационные работы способом дешифрирования данных должны базироваться на применении материалов ДЗЗ сверхвысокого разрешения, соответствующего программного обеспечения и разработанных методик лесотаксационного дешифрирования.
В дополнение ко всем вышеуказанным требованиям должно быть применено требование снижение стоимости работ и расширения временных рамок выполнения работ за счет дистанционных методов.
В данной работе рассматриваются современные методы обработки данных дистанционного зондирования и, в частности, методики автоматизированного и автоматического дешифрирования многозональных снимков.
Космические и аэроснимки широко используются в ФГУП «Рослесинфорг» для мониторинга, в частности для выявления незаконных рубок леса, последствий пожаров и т. д. [1]. Дешифрирование выполняется с использованием программного комплекса ENVI и при этом выполняется предварительная обработка многозональных снимков, которая заключается в трансформировании, улучшении изображений, синтезировании цветных и псевдоцветных снимков, а также в ряде случаев использования панхроматического канала для pan-sharpening. Далее применяются методики визуального дешифрирования оператором.
Тем не менее, в настоящее время ведутся активные работы по созданию алгоритмов и методов автоматизированного и автоматического определения характеристик лесных массивов, а также для мониторинга - алгоритмов изменения состояния и параметров леса [2].
Основными дешифровочными признаками при оценке состояния лесных массивов является спектральная яркость многозональных аэрокосмических изображений. Каждый элемент многозональных изображения представляет собой вектор:
где Р1} - яркость //-ого элемента изображения в канале I;
k - количество спектральных каналов.
Существует два подхода дешифрирования объектов на основе алгоритмов классификации изображений:
- Классификация без обучения (кластерный анализ);
- Классификация с обучением, основанная на использовании спектральных характеристик эталонных объектов.
Первый подход позволяет разделить всё изображение на заданное количество классов на основе значений спектральных яркостей, по которым формируются расстояния между пикселями и устанавливаются критерии принадлежности объекта тому или иному классу. Недостатком такого подхода является относительно произвольный выбор критерия принадлежности к заданному классу и критерия определения количества классов.
Второй подход основан на выборе хорошо определяемых тестовых участков на изображении, которые с высокой степенью надежности принадлежат заданному классу.
Затем выполняется измерение спектральных яркостей Ру для каждого
участка и получается гистограмма распределения яркостей для соответствующего эталона. В дальнейшем значение яркости элемента дешифрируемого объекта позволяет получить условную вероятность принадлежности данного элемента к тому или иному классу. Окончательное решение принимается, например, используя известное правило Байеса. Практически использовать многомерную гистограмму достаточно сложно и для упрощения решения задачи полученную при обучении гистограмму аппроксимирует Гауссовой функцией нормального распределения:
На основе параметров ц и k формируются различные разделяющие функции, позволяющие разделить пространство признаков на классы. Различные разделяющие функции дают разные решения в силу, по крайней мере, двух факторов:
- Недостаточной статистики, полученной по обучающим выборкам;
- Ошибки аппроксимации многомерных гистограмм нормальной функции плоскости распределения Гаусса.
где л - вектор средних значений яркости; 2 = 2(Р-л)*( р-л)Т.
Таким образом, нужно подбирать разделяющую функцию при распознавании конкретных объектов. Однако, основным недостатком методов, основанных на использовании спектральных признаков — это влияние внешних факторов на значение яркостей. Это, в первую очередь, влияние атмосферы, влияние положения солнца и положения съемочной камеры, сезонный фактор и т.д. В связи с этим спектральные яркости на изображениях одних и тех же объектов, полученные в разное время существенно отличаются. Разработаны различные методы, позволяющие уменьшить влияние внешних факторов на спектральные яркости элементов изображений. Это, во-первых, нормированные изображения, когда от исходных яркостей переходят к условным, в соответствии с выбранным «базовым элементом»:
' ри
pii =—k Ч р
ijo
где Pjo — средняя яркость базового элемента;
Рц - значение яркости преобразованного изображения.
В первую очередь, это индексные преобразования. Вегетационные индексы позволяют достаточно эффективно выделить растительность. Существует более 20 различных вегетационных индексов. Наиболее широко используемый индекс NDVI вычисляется как:
NDVI=NIRzRED,
NIR + RED
где NIR - яркость элемента в ближнем ик-канале;
RED - яркость соответствующего элемента в красном канале.
Относительный вегетационный индекс (RVI) определяется:
RVI = NLR .
RED
Численное значение индекса соотносится с состоянием растительности, например, типом пород деревьев - лиственные, хвойные, кустарники.
Второй вариант преобразования исходных изображений - создание вектора из не коррелированных изображений, такие как метод главных компонент или метод Tasseled Cap.
Преобразование метода главных компонент позволяет перейти от коррелированных спектральных яркостей вектора, к новым изображениям, элементы вектора яркостей которые не коррелированны [3]. Использование метода главных компонент позволяет с большей достоверностью выделить лесные массивы и разделить их по типам деревьев. На основе метода главных компонент был разработан метод Tasseled Cap. Сущность метода заключается в получении статистических значений собственных векторов для определенного типа объектов. Этот метод позволяет для объектов, которые имеются на тестовом участке, получить базисные (собственные) векторы преобразования Tasseled Cap.
Однако, даже после преобразования снимков, основным недостатком методов, основанных на использовании спектральных яркостей, остается неустойчивость признаков относительных влияний внешних факторов.
В ФГУП "Рослесинфорге" совместно с кафедрой фотограмметрии и дз СГГА разрабатываются методы, основанные на использовании структурных признаков и комплексных признаков (спектральных яркостей и структурных характеристик изображений).
Специальные исследования, проведенные в [4] и [5], показали, что структурные признаки практически не зависят от внешних факторов. В связи с этим они являются более эффективными, но наилучший результат дает комплексное использование двух типов признаков.
Были выполнены специальные исследования по выделению лесных массивов, типов лесных массивов и других характеристик на основе спектральных яркостных признаков и алгоритмов, представленных в ENVI. Установлено, что в большинстве случаев обработка изображений дает неудовлетворительный результат и эти алгоритмы нельзя использовать для автоматического дешифрирования лесных массивов [6].
Однако, структурные свойства изображений объектов более устойчивы к внешнему влиянию, а, значит, алгоритмы, основанные на этих свойствах -эффективнее, чем с использованием спектральных свойств изображений. К таким методам относятся Фурье и вейвлет-анализ.
Преобразование Фурье заключается в представлении сигнала набором базисных функций. В основном используются синусы, косинусы или комплексные экспоненты. Таким образом, можно рассматривать изображение в частотной области и изучать его пространственную структуру [4, 7, 8].
Вейвлет-разложение дает возможность выявить объекты разного размера, так как в процессе преобразования параллельно со сдвигами происходит и масштабирование. При мелких масштабах удобнее выявлять общие закономерности, а при крупных - локальные особенности объектов на изображениях, например вырубки [4, 9]. Также вейвлет-преобразование позволяет исключать мелкие незначительные детали, которые мешают общему восприятию изображения как при интерактивной, так и при автоматизированной обработке данных дистанционного зондирования.
Таким образом, результаты теоретических и практических исследований позволяют сделать следующие выводы:
- Эффективный мониторинг лесных массивов и инвентаризация лесов возможен только на основе использования многоспектральных космических снимков и цифровых аэросъемочных систем;
- Основные проблемы следующие: необходимо разработать алгоритмы и методики дешифрирования снимков, провести детальное исследование дешифровочных признаков объектов и развития космических методов, использующих различные типы дешифровочных признаков;
- В настоящее время существует принципиальная возможность создания методик определения многих таксационных характеристик леса.
Создание автоматизированных систем определения таксационных характеристик лесных массивов по многозональным космическим снимкам требует проведения специальных исследований, которые должны выполняться поэтапно. На каждом этапе должны быть разработаны методики выделения характеристик определенного уровня.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Манович, В.Н. Разработка геоинформационной системы для решения задач управления лесным хозяйством [Текст] / В.Н. Манович // Автореф.дис. на соиск. уч.степ.канд.техн.наук. по спец. 25.00.35.- Москва, МИИГАиК. - 2009. 24 с.
2. Гук, А.П. Планирование экспериментальных работ по исследованию автоматизации технологии дешифрирования многозональных снимков [Текст] / А.П. Гук, Евстратова Л.Г. // Сб.матер. IV Междунар. научн. конгр. «ГЕ0-Сибирь-2008», Новосибирск.-Т.3, Ч.1.-С.102-108.
3. Хлебникова, Е.П. Применение метода главных компонент для мониторинга городских территорий [Текст] / Е.П. Хлебникова //Сб.матер. V Междунар. научн. конгресса «ГЕ0-Сибирь-2009», Новосибирск.-Т.4.,Ч.1.- С.41-45.
4. Гук, А.П. Использование структурных признаков изображений типовых участков местности для выявления изменений состояния территорий по космическим снимкам высокого разрешения [Текст] / А.П. Гук, Л.Г. Евстратова, А.С. Гордиенко // Изв. вузов. Геодезия и аэрофотосъемка. - 2009. - № 6. - С. 52-56.
5. Гук, А.П. Комплексный анализ космических снимков для выявления изменений при мониторинге территорий [Текст] / А.П. Гук, Л.Г. Евстратова, А.С. Алферова // Сб.матер. V Междунар. научн. конгр. «ГЕ0-Сибирь-2009», Новосибирск. - Т.4.,Ч.2. - С.181-185.
6. Гук, А.П. Исследование возможностей программного комплекса ENVI для мониторинга территорий по космическим снимкам [Текст] / А.П. Гук, Л.Г. Евстратова, А.С. Алферова, И.И. Чикулаева, А.А. Гук // Сб.матер. V Междунар. научн. конгр. «ГЕО-Сибирь-2009», Новосибирск. - Т.4.,Ч.2. - С.186-192.
7. Гук, А.П. Космический мониторинг территорий на основе цифровой обработки многозональных космических снимков среднего и высокого разрешения[Текст] / А.П. Гук, Л.Г. Евстратова, А.С. Гордиенко, Р.А. Попов, М.М. Лазерко, С.А. Арбузов // Сб.матер. Международной научно-практ. конференции «Индустриально-инновационное развитие на современном этапе: состояние и перспективы ». - Т.1. - Павлодар: Инновац. Евраз. ун-т, 2009. - С. 122-123.
8. Гук А.П. Локализация изменений объектов природно-территориальных комплексов по разновременным космическим снимкам [Текст] / А.П. Гук, Л.Г. Евстратова, А.С. Гордиенко, М.А. Алтынцев // Геодезия и картография -. 2010. - №2. - С.19-25.
9. Гордиенко А.С. Разработка методики использования вейвлет-преобразования для обработки космических снимков высокого и среднего разрешения при мониторинге лесных массивов [Текст] / А.С. Гордиенко // Автореф.дис. на сосик. уч.степ.канд.техн.наук по спец. 25.00.34.- Новосибирск, СГГА.-2010. 19 с.
© В.Н. Манович, Л.Г. Евстратова, 2012
