Спутниковые системы наблюдения и связи Тема 3. Получение и обработка

космических снимков
дтн, снс Клюшников В.Ю.
(ЦНИИ машиностроения)
Кафедра 611Б «Системный

анализ и проектирование космических систем»

ДЗЗ
5

объектов, обеспечивающие требуемое качество решения задач дешифрирования космического изображения
9

$ USD
** объединенное изображение Панхром + мультиспектральное
10

(Band Interleaved by Line) – зоны, чередующиеся по строкам
BSQ (Band

Sequential) – последовательность зон

Форматы записи данных

Для уменьшения объема растровой информации используют групповое кодирование. Групповое кодирование основано на замене групп повторяющихся символов в последовательности значением числа повторений. Пример: алгоритм сжатия изображений в формате JPEG
(Joint Photographic Experts Group)

Файлы изображений снабжаются дополнительной информацией:
- описание файла данных (формат, число строк и столбцов, разрешение и т. д.);
статистические данные (характеристики распределения яркостей
минимальное, максимальное и среднее значение, дисперсия);
- данные о картографической проекции.

11

изображения)
Цель: обнаружение и распознавание обнаруженных объектов
Космическое изображение
(снимок)
Спектральные и пространственные преобразования
Тематический

отчет

изображения со спутника IKONOS с разрешением 1 м,
Денвер,

Колорадо

14

и карта, построенная в результате его обработки
15

определяется сбоем или неисправностью детекторов, влиянием рельефа, атмосферными эффектами.
Атмосферная коррекция

– устранение влияния состояния атмосферы на основе высокоточных моделей атмосферной коррекции, учитывающих количество водяного пара, распределения аэрозолей и видимость сцены.
Геометрическая коррекция – исправление таких искажений снимка, как полосчатость, выпадение строк. Осуществляется также геокодирование – привязывание снимка таким образом, что каждой точке изображения задается координата соответствующей точки на местности. Математически геопривязка обычно осуществляется с помощью степенных полиномов. Точность привязки увеличивается при наличии опорных точек, тогда снимок как бы «сажается» по ним. После геокодирования определяют яркостные характеристики уже трансформированного изображения различными методами: ближайшего соседа, билинейной интерполяции, бикубической свертки.
Ортотрансформирование – операция геометрической коррекции для компенсации смещений изображений объектов за счет рельефа местности. Для корректировки таких искажений требуется цифровая модель рельефа (ЦМР), а также информация о положении камеры или датчика в момент съемки: элементы внешнего ориентирования камеры и элементы внутреннею ориентирования снимка.

16

со спектральной диаграммой – графиком, показывающим зависимость между количеством пикселей

изображения и значениями спектральной яркости. При спектральных преобразованиях изменяется такой параметр как контрастность. Для его повышения существует ряд методов:

1.Линейное растягивание гистограммы, заключающееся в том, что всем значениям яркости присваиваются новые значения с целью охватить весь возможный диапазон от 0 до 255:

18

диапазон значений яркости растягивается только наиболее интенсивный (наиболее информативный) участок

диаграммы::

19

3. Линеаризация гистограммы – каждому пикселю присваивается новое значение яркости, причем таким образом, чтобы у каждого яркостного уровня было примерно одинаковое количество пикселей:

окна – квадратной матрицы весовых коэффициентов (обычно это матрица 3х3

или 5х5).

Если пиксель стоит в центре окна, перемещающегося от пикселя к пикселю изображения, то ему присваивается новое значение, вычисленное по функциональной зависимости из значений окружающих его пикселей.

Типы границ и линий

20

пространственно-частотных компонент. Распределение яркостных характеристик в пространстве представляется в виде

линейной комбинации периодических функций sin и cos с заданными характеристиками в частотной области. К примеру, чтобы удалить шумы, достаточно выявить периодичность их появления.

21

Улучшение качества изображения. Преобразование Фурье

Разложение исходной функции времени на гармонические составляющие.

Представление функции в частотной области называют спектром функции.

Для перевода сигнала из временного пространства в частотное используется преобразование Фурье (ПФ). Для восстановления функции из частотного пространства используется обратное преобразование Фурье.
Одна из важнейших особенностей преобразования Фурье заключается в том, что спектр суммарной функции времени равен сумме спектров ее гармонических составляющих.

местности на снимке. Оно может быть как ручным, то есть

базирующимся на визуальной (человеческой) оценке изображения, так и машинным (автоматическим).
Машинная обработка, по сути своей, сводится к различным механизмам классификации. Для начала нужно представить все пиксели (их спектральные яркости) как вектора в пространстве спектральных признаков. При анализе количественных связей спектральных яркостей разных объектов происходит разделение пикселей по классам.
Классификация снимков делится на классификацию с обучением и классификацию без обучения.

22

Дешифрирование изображения

яркость каждого пикселя. В результате, имея несколько эталонов, заранее заданных,

мы получаем множество объектов, разделенных на классы. Эта классификация работает только в случае, если известны заранее те объекты, которые отображены на снимке, классы четко различимы и их количество невелико.

23

Классификация с обучением

1. Метод минимального расстояния – значения яркости пикселей рассматриваются как вектора в пространстве спектральных признаков. Между этими значениями и значениями векторов эталонных участков высчитывается спектральное расстояние, как корень из суммы квадратов разности векторов пикселя и эталона (проще говоря, эвклидово расстояние между ними). Все пиксели распределяются по классам в зависимости от того, превосходит ли расстояние между ними и эталоном заданное или нет. Так, если расстояние меньше, то класс определен, пиксель можно отнести к эталону:

метод минимального расстояния, только при классификации измеряется не эвклидово расстояние

между векторами, а расстояние Махаланобиса, которое учитывает дисперсию значений яркости эталона. В этом способе, если эвклидово расстояние до двух эталонов от данного пикселя равно, то победу одержит тот класс, дисперсия эталонной выборки которого больше:

значение спектрального угла (угла между вектором-эталоном и вектором данного пикселя).

Находится спектральный угол, и, как с эвклидовым расстоянием, если угол меньше заданного, то пиксель попадает в класс эталона, с которым идет сравнение:

классам на основе статистики распределения яркостных значений пикселей. Данный вид

классификации используется, если изначально неизвестно, сколько объектов присутствует на снимке, количество объектов велико, в результате машина сама выдает полученные классы, а мы уже определяем, каким объектам их поставить в соответствие.

26

Классификация без обучения

1. Метод ISODATA (Iterative Self-Organizing Data Analysis Technique Algorithm) основан на кластерном анализе с использованием метода последовательных приближений. После рассмотрения яркостей пикселей, как векторов в пространстве спектральных признаков, ближайшие определяются в один класс. Для каждой спектральной зоны идет расчет статистических параметров распределения яркостей. Все пиксели делятся на некоторое n число равных диапазонов, внутри каждого из которых находится среднее значение. Для каждого пикселя диапазона рассчитывается спектральное расстояние до среднего значения. Все пиксели, расстояние между которыми наименьшее определяются в один кластер. Так проходит первая итерация. При второй итерации и последующих идет расчет уже реальных средних значений для каждого кластера. Каждая новая итерация уточняет границы будущих классов:

2. Метод K-средних – похож на метод ISODATA, за тем лишь исключением, что начальные средние значения задаются (это возможно только, если объекты на снимке хорошо читаемы).

получается путем сложения трех основных цветов. За основные приняты цвета,

соответствующие монохроматическим излучениям с длиной волны 0.7 мкм (красный - R); 0.5461 мкм (зеленый - G); 0.4358 (синий - B). Такое представление цвета называют цветовой моделью RGB. В файле цветного изображения, для каждого пиксела записано три числа, которые означают интенсивности трех основных цветов, диапазон значений от 0 до 255.

Практически любой цвет, видимый человеком, может быть представлен как сумма трех основных цветов.
Если значения яркости R=250, G=0, B=0, то пиксель будет окрашен в красный цвет.
Если значения яркости равны между собой R=G=B, пиксель будет окрашен в серый цвет.
Если значение яркости R, G, B не равны между собой то в зависимости от значений яркости R, G, B пиксел будет окрашен в определенный цвет.

Если вывести на экран дисплея изображение одного канала многоспектрального снимка, то оно будет окрашено в серые тона (полутоновое изображение).
Чтобы получить цветное изображение нужно сложить вместе три канала многоспектрального снимка. Один из которых будет красный (R), другой зеленый (G), третий синий (B).
Можно окрашивать изображения в натуральные и ложные цвета.
Если в каналы R, G, B изображения подставлены R, G, B каналы снимка, то изображение представлено в натуральных цветах. Если в каналы R, G, B изображения подставлены другие каналы снимка, то изображение представлено в ложных цветах.

27

большом количестве спектральных каналов для синтеза избираются каналы, яркости которых

наименее коррелированы между собой

Синтезирование – переход к новой координате – цвету:
C=a1R+a2G+a3 B, где
R, G, B – цветовые компоненты, определяемые яркостью пиксела в принятых для синтезирования спектральных зонах;
a1 , a2, a33 - обычно стандартные величины в конкретных программных продуктах.

Три наиболее распространенных варианта синтеза:

28

нескольких квадратных метров до тысяч квадратных метров поверхности Земли, и

содержать информацию не об одном объекте, а о группе объектов, которые расположены на соответствующей территории.
Метод спектрального разделения применяют для распознавания на снимках объектов, размер которых значительно меньше размера пиксела.

Суть метода: смешанные спектры анализируют, сравнивая их с известными чистыми спектрами, например, из спектральных библиотек чистых материалов. Происходит количественная оценка соотношения данного известного (чистого) спектра и примесей в спектре каждого пиксела. После выполнения такой оценки может быть получено изображение, раскрашенное так, что цвет пиксела будет означать, какой компонент преобладает в спектре это пиксела.

29

зональными значениями яркости. Они могут быть простыми (разность двух зон),

и более сложными (построение функций от значений в нескольких зонах).
Методологическая основа – индивидуальное соотношение спектральных яркостей у разных объектов и для разных их состояний (т.е. учет спектральной кривой).
Применение: оценка и картографирование растительности, биопродуктивности с\х культур и угодий, содержание хлорофилла в морской воде.
Вегетационные индексы:

1

2

Пример: использование ближнего ИК-диапазона (0,74 – 1,3 мкм) для контроля состояния сельскохозяйственных культур: 1- нормальное состояние, 2- стрессовое состояние

30

многоспектральных коррелированных данных.
Понятие коррелированные данные означает, что при возрастании значения

яркости пикселов в одном спектральном канале возрастают значения яркости и в других спектральных каналах.

Возможности анализа главных компонент:
Если снимок содержит более трех спектральных каналов, можно создать цветное изображение из трех главных компонент без заметной потери информации.
Если объекты малого размера и низкого контраста плохо дешифрируются на исходных снимках, часто хорошо выявляются на изображениях отдельных спектральных компонент.

- пример двумерного пространства спектральных признаков: при возрастании значения в первом канале возрастает значение во втором, это означает высокую корреляцию между этими каналами [PRINCIPAL COMPONENTS ANALYSIS: A BACKGROUND]. Видно, что область распределения значений расположена под углом к осям графика, поэтому ни по одной из этих осей не отображается весь диапазон значений объекта. Это значит, что при синтезировании цветного изображения снимок будет обделен цветами. Например, все виды растительности будут изображены близкими неразличимыми оттенками цвета. Такое расположение значений яркости характерно для большинства природных объектов (растительности, почв, горных пород).

Если оси координат развернуть так, чтобы одна из них шла параллельно полю распределения значений, а вторая располагалась ортогонально, то вдоль каждой из осей диапазон значений будет максимальным, что увеличит возможности дешифрирования снимка:

Снимок, обработанный по методу главных компонент.

Фрагмент снимка, представленного в ложных цветах.

31

программный пакет, поставляемый на рынок фирмой ERDAS, сочетающий в себе

функции растровой и векторной ГИС и системы для обработки изображений, ориентированной на данные аэро- и космических съемок, и предназначен для профессионалов в области ДЗЗ и фотограмметрии. Предоставляет набор инструментов, дающий возможность обрабатывать данные из любого источника и представлять результаты в любом виде, от профессионально оформленных печатных карт до трёхмерных моделей местности.
Ядром ПО ERDAS Imagine является один из трех вариантов базовых пакетов: Imagine Essentials, Imagine Advantage и Imagine Professional. Каждый последующий пакет включает в себя функциональные возможности предыдущего и расширяет их. В качестве специализированных инструментов компания ERDAS разрабатывает дополнительные модули (Imagine VirtualGIS, Imagine OrthoBASE. Imagine Subpixcl Classifier. Imagine Radar Mapping Suite, Imagine Developers Toolkit, Stereo Analyst и др.)
Инструмент программиста Imagine Developers Toolkit позволяет дополнить ERDAS Imagine любыми функциями, которые нужны заказчику.

ERDAS ER Mapper - использует единый интегрированный интерфейс, позволяющий получать быстрый и удобный доступ ко всем функциям обработки и анализа данных, поддерживаемых системой. Не требует обязательною сохранения результатов выполнения гой или иной операции над данными на диске. В алгоритмах Mapper записываются операции многоуровневой фильтрации, яркостного трансформирования (коррекции), обработки посредством формул и т. д.
Формулы представляют собой наборы арифметических и логических операций, задающих правила обработки многозональных снимков. Аргументами формулы являются отдельные спектральные каналы обрабатываемого снимка. Большой набор стандартных формул по обработке изображений позволяет ускорить процесс создания эффективных алгоритмов обработки. ER Mapper содержит довольно широкий набор разнообразных «шаблонных» алгоритмов, а также позволяет создавать собственные пользовательские алгоритмы обработки.

ENVI (Environment for Visualizing Images - среда для отображения снимков) - программный комплекс компании ITT Visual Information Solutions, включающй набор функций для обработки данных ДЗЗ и их интеграции с данными ГИС: обработки и глубокого анализа спектрозональных снимков, исправления геометрических и радиометрических искажений, интерактивного улучшения изображений, интерактивного дешифрирования и классификации, анализа снимков в радиодиапазоне, построения запросов, оцифровки, и др.
ENVI содержит спектральные библиотеки и инструменты для выполнения спектрального и топографическою анализа, анализа растительности и классификации изображений.

32

может аппроксимировать любую непрерывную функцию, если функции активации будут нелинейными.

Основные параметры нейронной сети: структура и веса связей.

почв (пример)
34
Автоматизированная система оценки земли, использующая обученную нейронную сеть
Схема обучения

нейросетевого алгоритма по эталонной таблице:
ЛЛС – элементарные участки земной поверхности;
Kn – степень засоления почвы;
Si – класс пригодности земли для с/х производства, i=1,…,5;
Гkl – матрица оценок.

изображений Земли из космоса в научных и прикладных экологических исследованиях,

образовании, дизайне, туризме и краеведении.

www.transparentworld.ru

Некоммерческие библиотеки снимков в рамках проектов НП «Прозрачный мир»

35

г. – 16:40
б) Экибастуз, 5 мая 2006 г. – 16:41
42

г. – 12:09
г) Гусиноозерская ГРЭС (Бурятия), 11 марта 2006

г. – 10:10

43