Возможности применения методов статистического анализа при дешифрировании многозональных космических снимков Текст научной статьи по специальности «Прочие технологии»

ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ МЕТОДОВ СТАТИСТИЧЕСКОГО АНАЛИЗА ПРИ ДЕШИФРИРОВАНИИ МНОГОЗОНАЛЬНЫХ КОСМИЧЕСКИХ СНИМКОВ

Елена Павловна Хлебникова

Сибирская геодезическая государственная академия, 630108, Россия, г. Новосибирск, ул. Плахотного,10, канд. техн. наук, доцент кафедры фотограмметрии и дистанционного зондирования, тел. (913)901-94-58, e-mail: HleLenka@yandex. ru

Дмитрий Павлович Симонов

Сибирская геодезическая государственная академия, 630108, Россия, г. Новосибирск, ул. Плахотного,10, аспирант кафедры фотограмметрии и дистанционного зондирования, тел. (923)245-38-99, e-mail: dumkah@gmail.com

В статье предложены метод оценки параметров лесных массивов на основе медианного значения коэффициентов яркости и его статистического отклонения по заданным периодам дискретизации.

Ключевые слова: коэффициент яркости, период дискретизации , лесные массивы, плотность вероятности, многозональные снимки.

POSSIBILITIES OF APPLICATION STATISTICAL ANALYSIS FOR INTERPRETATION OF MULTISPECTRAL SPACE IMAGES

Elena P. Khlebnikova

Siberian State Academy of Geodesy, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., PhD. tech., assistant professor department of Photogrammetry and Remote Sensing tel. (913)901-94-58, e-mail: HleLenka@yandex.ru

Dmitry P. Simonov

Siberian State Academy of Geodesy, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., graduate student department of Photogrammetry and Remote Sensing tel. (923)245-38-99, e-mail: dumkah@gmail.com

The method for estimating the parameters of forest based on the median value of the brightness coefficients and statistical deviation for the given sampling period was proposed.

Key words: the brightness coefficient, sampling period, forests, density of probability, multi-spectral imagery.

Лесное хозяйство имеет огромное значение для экономики страны. Однако огромные территории России покрытые лесом не позволяют оптимально организовать лесоустройство вследствие большого объема работ. Использование современных методов дистанционного зондирования на основе многозональных космических снимков позволяет значительно повысить скорость и достоверность получения информации о таксационных характеристиках лесных массивов. Однако при обработке цифровых изображений возникает ряд проблем, связанных с отождествлением изображения на снимке и собственно объекта. Сложность дешифрирования таксационных показателей древостоя автоматизи-

рованными методами объясняется большой вариативностью изображения одного и того же (или аналогичного) объекта даже на одном изображении Большая часть методов дешифрирования основана на визуальном определении объекта на основании прямых и косвенных признаков. В этом случае результат дешифрирования носит субъективный характер и существенно зависит от квалификации оператора. Для автоматизированного дешифрирования снимков и в частности для нужд лесного хозяйства, необходим поиск однозначных количественных признаков дешифрирования и метод их выявления [1].

Статистические характеристики лесных массивов традиционно применяются для определения общего состояния данного участка леса, только используются для этого результаты наземной оценки для небольших участков территорий, которые затем обобщаются на весь массив [2].

В данной работе наоборот рассматривается возможность использования в качестве дешифровочного признака таксационных характеристик лесных массивов статистических характеристик цифровых изображений, в частности медианного значения коэффициента яркости и среднее значение его статистического отклонения. Полученная информация соответствует характеристики данного участка и не является результатом экстраполяции.

В цифровом представлении данных используется 256 уровней яркости, а при автоматизированном дешифрировании изображений выбор количества классов, как правило, осуществляется эмпирически.

В данной работе предлагается выбирать количество уровней дискредитации (классов при кластеризации) измеряемой величины на основании известного соотношения [3].

N= 3lgK+1, (1)

где N-число интервалов дискретизации (в данном случае классов);

К-общее число пикселей в изображении.

В качестве исходного объекта исследований было выбрано изображение части лесного массива, полученного съемочной системой Iconos (рисунок 1, рамкой отмечена исследуемая область).

Для получения результатов были использованы статистические методы обработки. Исследования проводились на нескольких одинаковых по площади участках, полученных в одинаковых условиях съёмки. Задачей данного эксперимента было установление интегральной количественной характеристики состояния лесного массива для выбранного участка, которая позволила бы осуществить сравнительный анализ и мониторинг других аналогичных территорий.

Из выбранного участка изображения были вырезаны фрагменты одинаковой площади (содержащие одинаковое количество пикселей), один из фрагментов представлен на рисунке 2.

Методика позволяет работать как в отдельных спектральных каналах, так и в интегральном варианте. Поскольку наибольшие отличия были выявлены в 4 канале (ИК-диапазон), дальнейшая количественная обработка изображений приводилась для этого спектрального интервала [4].

Обработка результатов проводилась с помощью программного продукта Erdas Imagine. В соответствии с соотношением (1) количество классов выбрано 13.

На рисунках 3 и 4 приведены гистограмма распределения плотности вероятности яркости для двух разных участков, представляющих разные типы растительности.

Рис. 1. Исходное изображение

Рис. 2. Фрагмент изображения

400 300 200

6і А /V Ъ ъ <5 <0 A ,<Ь °> ф ^ $ , if if с/ if if if'

200

с? \ а ъ ip & ф ф if if if *• 4* / / £ £ $ £ S S if if if if if^^ifi?

Рис. 3. Лес первого типа

400 300 200 100

Class 1 Class 2 Class 3 Class 4 Class 5 Class 6 Class 7 Class 8 Class 9 Class 10 Class 11 Class 12 Class 13

I I I I

Class 1 Class 2 Class 3 Class 4 Class 5 Class 6 Class 7 Class 8 С ass 9 Class 10 Class 11 Class 12 Class 13

Рис. 4. Лес второго типа

Вид распределений имеет некоторые различия, но принципиально они похожи.

Результаты количественных расчётов для разного типа растительности приведены в таблице 1. Несмотря на визуальное сходство распределения плотности вероятности результаты расчётов дают значительные отличия для участков разного типа и практически полное совпадение для участков одного типа.

Таблица 1

Средние значения яркости для разных типов растительности

Тип 1 Тип 2

Медиана Отклонение Медиана Отклонение

Образец 1 711,7483 97,08872 577,0721 59,18514

Образец 2 686,555 90,35493 577,1819 61,66545

Образец 3 713,7138 97,01717 580,9098 65,88833

Среднее 704,0057 94,82028 578,388 62,24631

Полученные результаты показывают, что медианная характеристика яркости и среднее статистическое отклонение от этого значения могут служить кос-

венным дешифрировочным признаком для оценки однородности лесного массива, его возраста и плотности покрытия. Однозначная количественная связь может быть получена сравнением изменения статистических характеристик тестовых участков.

Следует отметить, что для повышения достоверности результатов исследуемые снимки нуждаются в предварительной обработке (нормирование), а наиболее удачное применение предлагаемый метод даст при сравнении однотипных объектов.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Хлебникова Е.П., Симонова Г.В., Симонов Д.П. Исследование структурных признаков при цифровой обработке изображений // Сб. материалов V междунар. научн. конгресса «ГЕО-Сибирь-2009». - Т.5, ч.2: Специализированное приборостроение, метрология, теплофизика, микротехника. - Новосибирск: СГГА, 2009. - С.168 - 170.

2. Алексеев А.С. Орлов. М.М. Лесоустройство и статистическая инвентаризация лесов в России// Сб. материалов международной конференции ’’Современные проблемы лесного хозяйства и лесоустройства Т.1., №15 -“Государственный лесотехнический университет, 2012 .- С.12-17.

3. Кузнецов В.А., Исаев Л.К., Шайко И.А. Метрология. - Москва: Стандартинформ, 2005. - 298 с.

4. Симонов Д.П. Анализ возможности создания цифровых эталонов признаков для структурированных поверхностей // Сб. материалов VIII междунар. науч. конгр. «ИНТЕРЭКСПО ГЕ0-Сибирь-2012» - Т.5, ч.2: Специализированное приборостроение, метрология, теплофизика, микротехника. - Новосибирск: СГГА, 2012.- - С.209 - 212.

© Е.П. Хлебникова, Д.П. Симонов, 2013