CC BY
61
ВЫДЕЛЕНИЕ КОЛЬЦЕВЫХ СТРУКТУР НА КОСМИЧЕСККИХ СНИМКАХ
Алексей Александрович Бучнев
Институт вычислительной математики и математической геофизики (ИВМиМГ) СО РАН, 630090, Россия, г. Новосибирск, пр. акад. Лаврентьева, 6, старший научный сотрудник лаборатории обработки изображений, тел. (383)333-73-32, e-mail: baa@ooi.sscc.ru
Валерий Павлович Пяткин
Институт вычислительной математики и математической геофизики (ИВМиМГ) СО РАН, 630090, Россия, г. Новосибирск, пр. акад. Лаврентьева, 6, заведующий лабораторией обработки изображений, тел. (383)333-73-32, e-mail: pvp@ooi.sscc.ru
Геннадий Иосифович Cалов
Институт вычислительной математики и математической геофизики (ИВМиМГ) СО РАН, 630090, Россия, г. Новосибирск, пр. акад. Лаврентьева, 6, старший научный сотрудник лаборатории обработки изображений, тел. (383)333-73-32, e-mail: sgi@ooi.sscc.ru
В геологических исследованиях Земли из космоса, в решении проблемы космической охраны Земли существует настоятельная необходимость изучения процессов падения небесных тел на Землю и картирование мест их падения. В статье предлагается непараметрический статистический критерий для выделения кольцевых структур на космических снимках, представляющих импактные кратеры на поверхности Земли. Рассматриваются также вопросы, связанные с программной реализацией соответствующего алгоритма. Результаты обработки реальных космических изображений подтверждают эффективность предложенного статистического подхода к выделению импактных кратеров.
Ключевые слова: дистанционное зондирование, обработка изображений,
непараметрический статистический критерий, выделение кольцевых структур, импактный кратер, программное обеспечение.
CIRCULAR STRUCTURES DETECTION IN SPACE PICTURES
Aleksey A. Buchnev
Institute of the Computational mathematics and mathematical geophysics (ICM&MG) SB RAS, 630090, Rossia, Novosibirsk, acad. Lavrent’ev av., 6, lab of the images processing senior researcher, tel. (383)333-73-32, e-mail: baa@ooi.sscc.ru
Valeriy P. Pyatkin
Institute of the Computational mathematics and mathematical geophysics (ICM&MG) SB RAS, 630090, Rossia, Novosibirsk, acad. Lavrent’ev av., 6, lab of the images processing head, tel. (383)333-73-32, e-mail: pvp@ooi.sscc.ru
Gennadyi I. Salov
Institute of the Computational mathematics and mathematical geophysics (ICM&MG) SB RAS, 630090, Rossia, Novosibirsk, acad. Lavrent’ev av., 6, lab of the images processing senior researcher, tel. (383)333-73-32, e-mail: sgi@ooi.sscc.ru
In geological studies of the Earth from space and in the problem of the Earth space protection there is an urgent need to study the processes of celestial bodies falling to Earth and mapping these places. In article available nonparametric statistical test to select the circular structures in space
pictures representing the impact craters on the Earth's surface. We also consider issues related to software implementation of the algorithms. The processing results of real space images confirm the effectiveness of the proposed the statistical approach to the detection of impact craters on Earth's surface.
Key words: remote sensing, image processing, nonparametric statistical test, detection of circular structures, impact crater, software.
Программа прикладных дистанционных исследований Земли из космоса обширна и разнообразна [1]. В геологических исследованиях Земли из космоса, в проблеме космической охраны Земли существует настоятельная необходимость изучения процессов падения небесных тел на Землю и картирование мест их падения. Материалы аэрокосмических съемок, показавшие повсеместное распространение кольцевых образований в структуре земной коры (см. http://tsun.sscc.ru/nh/edeis.html ), обусловили широкий интерес к ним со стороны исследователей импактных кратеров на поверхности Земли и геологов. При обработке космических снимков с целью обнаружения на них объектов, представляющих интерес, в силу целого ряда причин предпочтение отдается статистическому подходу [1-4]. Основная причина состоит в том, что вследствие случайного характера природных процессов данные дистанционных измерений (спектросовмещенные изображения) содержат много случайных вариаций, маскирующих различия значений яркости изображения в точках области объекта и в точках области фона. Случайные величины, значения которых получаются в результате измерений (наблюдений) в точках изображения, будем называть наблюдаемыми случайными величинами.
В подобной ситуации надежные алгоритмы обнаружения могут быть построены только с помощью вероятностного (статистического) подхода. При этом могут быть получены даже оптимальные в том или ином смысле алгоритмы, если распределения вероятностей значений наблюдаемых величин в точках области объекта и в точках области фона известны заранее. Однако эти распределения на каждом изображении могут быть своими и могут изменяться даже в пределах одного изображения, поэтому на практике, как правило, не известны для наблюдателя. Известно лишь, что они непрерывные. В такой ситуации для обнаружения объектов эффективны так называемые непараметрические тесты (критерии), поскольку распределения статистик (функций от наблюдаемых величин), используемых в этих критериях, не зависят от распределений наблюдаемых величин на изображениях, когда в поле зрения объекты отсутствуют. Предлагается следующая схема обнаружения объектов. Последовательно (или параллельно) анализируются (почти) все возможные положения объектов, интересующих исследователя. Будем считать, что при исследовании каждого возможного положения объекта все наблюдаемые величины берутся в достаточно отдаленных друг от друга точках на изображении так, чтобы они могли рассматриваться как статистически независимые в совокупности, когда в поле зрения объект отсутствует.
В каждом положении, чтобы свести к минимуму риск сделать неверный вывод, следует проверить статистическую гипотезу о том, что случайные
величины, наблюдаемые в точках проверяемой области объекта и в близлежащих к ним точках фона, одинаково распределены (однородны), означающую отсутствие объекта.
Обнаружение плохо видимых объектов, по форме близких к кругу (диску), и других объектов известной наблюдателю формы в случаях, когда однородность фона по диаметру (или ширине) объекта не имеет места, может быть реализовано путем обнаружения их контуров. Для наиболее простого алгоритма (или алгоритмов) обнаружения контура объекта, близкого к кругу, наблюдения достаточно брать в точках, расположенных лишь на двух окружностях с общим центром, близким к центру возможного (проверяемого) положения объекта, и таких радиусов, чтобы контур объекта (в случае присутствия объекта) находился внутри полосы между этими окружностями. Пусть для , = 1,..., к и £ - величины, наблюдаемые в точках пересечений
линии I-й нормали к проверяемому положению контура объекта с упомянутыми окружностями, т.е. в точке проверяемой области объекта и в близкой к ней точке окружающего объект фона соответственно, и пусть наблюдателю из прошлого опыта известно, что яркость ^ в точке области объекта
стохастически больше или меньше яркости £ в точке фона. Тогда для проверки гипотезы об однородности можно воспользоваться хорошо известным в математической статистике критерием знаков (в данном случае) разностей д - £ . Для возможности применения более эффективного критерия следует
увеличить число наблюдаемых величин на каждой нормали. Первый шаг в этом направлении состоит в привлечении и элементов на окружности еще большего радиуса. Обозначим д, , £2 величины, наблюдаемые на линии ,-й нормали в
этом случае. Согласно результатам работ [3-4] введем в рассмотрение следующие статистики: £+ = ^I{д, > тах( £л,£.2)}, £ = ^I{д, < тт(4, £2)},
£0 = к - £+ - £ , где I{.} - индикаторная функция события {.}, равная 1 или 0 в зависимости от того, произошло или не произошло событие {.}. Тогда для проверки гипотезы однородности (объект отсутствует) наиболее эффективным будет статистический критерий вида | £+- £ |> 2А(£0) - (к - £0), где А(z) -
наименьшее целое число А такое, что
где а - гарантированный уровень значимости критерия.
Так как левая часть здесь возрастает с убыванием А дискретно, то истинный уровень значимости введенного двухстороннего критерия может получиться значительно меньше а. Кольцевой объект представляет собой нечеткое кольцо, близкое к круглому, т.е. замкнутую нечеткую полосу. Эти объекты можно обнаружить с помощью критерия, подобного вышеприведенному. Наблюдаемые величины следует брать аналогично на последовательности нормалей, но теперь уже к средней линии проверяемого
положения полосы, причем величины и £.2 берутся в точках по разные стороны от проверяемого положения полосы, а величины д^^ - в точках, принадлежащих самой области полосы. Статистики же £+, £ , £0 и критерий определяются с помощью тех же формул.
Реализация алгоритмов обнаружения круговых объектов является частью программного комплекса PlanetaMonitoring по обработке аэрокосмических изображений [5]. Функционально полный набор операций комплекса PlanetaMonitoring позволяет строить на их основе программные технологии, ориентированные на решение конкретных прикладных задач. В частности, одной из таких технологий является технология обнаружения кольцевых структур на космических снимках. Эта технология распадается на два этапа -этап формирования препарируемого (обрабатываемого) изображения и собственно этапа обнаружения структур требуемой формы. Первый этап является обязательным в тех случаях, когда интересующий исследователя участок земной территории покрывается несколькими разновременными космическими снимками, полученными с разными условиями съемки. В общем случае на этом этапе требуется выполнить следующие операции:
1. Выравнивание яркостных и контрастных характеристик разновременных космических снимков. Здесь используется механизм референтного выравнивания [6], при котором яркостные и контрастные характеристики изображений приводятся либо к характеристикам некоторого изображения, выбранного в качестве референтного (базового), либо к характеристикам гауссового распределения с заданными параметрами.
2. Построить цифровую географическую карту требуемого участка земной поверхности. Построение карты заключается в формировании чистого листа карты по заданным параметрам (тип проекции, координаты южной и северной широт, координаты западного и восточного меридианов, параметры координатной сетки, разрешение карты) с последующим нанесением на него имеющейся цифровой информации о географических объектах, находящихся на данной территории. Предпочтительным здесь является использование шейп-файлов ГИС АгсУ1е,№, т.к. информация, содержащаяся в них, более детализирована, чем в файлах других форматов.
3. Поочередное отображение космических снимков на построенную карту. Отображение основано на механизме опорных точек, при котором связываются (помечаются как одинаковые) опознаваемые объекты снимка и карты. По набору найденных опорных точек снимка и карты строится полином заданной степени (первой, второй или третьей), с помощью которого выполняется отображение. При этом может быть использован один из трех типов интерполяции значений пикселов: без интерполяции, билинейная либо бикубическая интерполяции.
4. Построение из полученных проекций снимков на карту единого изображения (мозаики).
Приведенные ниже рисунки иллюстрируют результат выполнения операций этого этапа. На рис. 1 и 2 приведены разновременные снимки
импактного кратера Курай, полученные со спутника SPOT-4 (разрешение 20 м) 08.10.2007 и 14.05.2012 соответственно. Заметим, что все использованные для экспериментов космические снимки были любезно предоставлены Сибирским центром ФГБУ «НИЦ «Планета». На рис. 3 приведен результат выполнения операций первого этапа к исходным космическим изображениям.
Содержанием второго из упомянутых выше этапов является программная реализация алгоритма выделения круговых объектов на спутниковых изображениях. Для работы соответствующей процедуры задается набор параметров, главными из которых являются радиус кругового объекта (возможно задание интервала значений), допустимая вероятность ложного обнаружения объекта, расстояние от предполагаемого положения объекта для измерения значений пикселов и количество таких измерений вдоль окружности. Главная часть процедуры состоит в вычислении упомянутых ранее статистик S+ и S~ на основе анализа значений пикселов изображения вдоль нормалей к предполагаемому положению объекта. Для каждого возможного положения решение о наличии объекта принимается по результату сравнения посчитанных значений статистик S+ и S~ с предопределенными пороговыми значениями, полученными на основе входных параметров. На рис. 4 представлен результат применения второго этапа к изображению рис. 3.
Рис. 1. 08.10.2007
Рис. 2. 14.05.2012
87*15' вд 87*30-вд 87*45' вд 88* вд 88*15 вд 88*30-вд 88*45' вд
Рис. 3. Результат выполнения операций первого этапа
Используемый для построения статистик S+ и S~ анализ значений пикселов требует больших временных затрат при его последовательном выполнении. В связи с этим разработаны две параллельные реализации алгоритма обнаружения круговых структур. Одна из них выполнена в системе параллельного программирования MPI (Message Passing Interface) на уровне процессов, что обеспечивает переносимость программного кода на различные мультипроцессорные системы. Вторая реализация достигается средствами ОС Windows на уровне потоков: количество запускаемых потоков равно
количеству логических процессоров. Каждый процесс (или поток), зная общее количество процессов и свой номер, определяет горизонтальную полосу изображения для обработки. При этом полосы у соседних процессов перекрываются и глубина этого перекрытия зависит от радиуса обнаруживаемых объектов. Кроме кратера Курай в процессе работы были проведены многочисленные эксперименты с космическими изображениями, содержащими и другие достоверные импактные структуры Земли.
Рис. 4. Результат выделения импактного кратера Курай
Заметим, что впервые элементы описанной программной технологии (правда, с другим критерием) были использованы при обнаружении импактного кратера Жаманшин в Северном Приаралье [5].
Разработанное программное обеспечение позволяет выделять на космических изображениях не только кольцевые структуры, но и контуры произвольной формы. В этом случае контуры интерполируются цепочками линейных элементов (линеаментов), построение которых производится в соответствии с приведенным выше алгоритмом. Работа частично поддержана грантом РФФИ 13-07-00068.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Дистанционное зондирование: количественный подход / пер. с англ. Пяткина В.П. и Юдиной О.А. под ред. А.С.Алексеева. - М.: Недра, 1983. - 415 с.
2. Alekseev A.S., Pyatkin V.P., Salov G.I.. Crater Detection in Aero-space Imagery Using Simple Nonparametric Statistical Tests // Lecture Notes in Computer Science, Springer-Verlag, V. 179, 1993, p. 793-799.
3. Салов Г.И. О мощности непараметрических критериев для обнаружения протяженных объектов на случайном фоне // Автометрия. - 1997. - № 3. - С. 60-75.
4. Салов Г.И. Новый статистический критерий для задач с двумя и тремя выборками, более мощный, чем критерии Вилкоксона и Уитни //Автометрия. - 2011. - № 4. - С. 58-70.
5. Asmus V.V., Buchnev A.A., Pyatkin V.P., Salov G.I. Software System for Satellite Data Processing of Applied Tasks in Remote Sensing of the Earth. //Pattern Recognition and Image Analysis, vol. 19, No. 3, 2009.
6. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. - М.: Техносфера, 2010. - 560 с.
© А.А. Бучнев, В.П. Пяткин, Г.И. Салов, 2013
