Научный центр
оперативного мониторинга Земли

 

RUS | ENG

главная информация о дззстатьи по дззобновление географической информации на основе данных дзз высокого разрешения

Обновление географической информации на основе данных ДЗЗ высокого разрешения

Обновление векторных карт масштаба 1:25000 муниципального округа Эншид, Нидерланды (Enshid Municiplity), проводилось с использованием данных ДЗЗ, полученных со спутника Ikonos одновременно с просмотром их в среде ГИС. Анализ показал, что данные высокого разрешения обладают значительными преимуществами перед наземными методами исследования местности, поскольку позволяют обновлять векторные данные и поддерживать базы данных с гораздо меньшими затратами времени и сил.

Цели исследования:


  • Применение различных методов обработки изображений (повышение качества изображения, синтез изображений и т.д.) для выделения различных классов объектов и повышения степени интерпретируемости снимка.
  • Интегрирование данных ДЗЗ с данными ГИС на одну и туже область с последующей визуализацией на экране для определения изменений.
  • Исправление исходных данных в соответствии с обнаруженными изменениями.

ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА

Первый этап обработки изображения обычно называют предварительной обработкой, поскольку данный этап предшествует всем другим этапам работы над снимком. Объем предварительной работы над изображением варьируется в зависимости от типа камеры и качества цифровых данных. Видами предварительной обработки являются: сенсорная коррекция (System Correction), радиометрическая коррекция (Radiometric correction), геометрическая коррекция (Geometric correction).
В данном исследовании сенсорная коррекция, а также коррекция ошибок, вызванных отклонением спутника и вращением Земли, не производились, поскольку все эти виды коррекции уже были произведены поставщиком изображений.
Общеизвестно, что объекты в разных частях изображения имеют различные спектральные характеристики вследствие неодинаковых условий съемки (угла обзора спутника в момент съемки, положения солнца, погодных условий). Все эти параметры учитываются при коррекции всех диапазонов мультиспектральных изображений. Следующая формула демонстрирует математическую связь, существующую между различными частями радиометрической коррекции:

O=(T^S+T*D*I)R^I+H*I

где O — отражение, обнаруженное сенсором; S — угол солнца; D – свет; I — сенсорный индикатор; T — освещенность падающего излучения; и R — отражение от объекта/поверхности; Н – облачность.

Коррекция полупрозрачной облачности

Из приведенной выше формулы следует, что условия облачности оказывают аддитивный эффект, в то время как угол солнца – мультипликативный. Именно поэтому изображение имеет меньшее количество дискретных чисел (пикселов), чем следует. В результате коррекции значение облачности аппроксимируется, а недостающие значения восстанавливаются для каждого пиксела снимка. Чем ниже значение прозрачности облачности на конкретном снимке, тем большая коррекция требуется. Формула для коррекции полупрозрачной облачности:

DN = Vw + Vh

где (DN) = предположительные нижние значения (в условиях отсутствия облачности, Vw) + искажения вследствие облачности (Vh). Таким образом, коэффициент облачности равен исходному значению пикселов DN минус нижние оценочные значения (в условиях отсутствия облачности, Vw) — (Формула 2)
В нашем случае значение коррекции облачности для 1-го спектрального канала составило 18 и было получено путем оценки значения DN (в данном случае равно 2), принимая за условие отсутствие атмосферы и используя формулу 2. Значение коррекции было вычтено из общего количества пикселов изображения 1-го спектрального канала. Та же самая процедура была осуществлена и для 2-го спектрального канала. Самые низкие значения в 3-м и 4-м спектральных каналах были близки к нулю и поэтому не требовали коррекции.

Коррекция угла Солнца

В связи с тем, что в данном исследовании используется один и тот же снимок, полученный в определенный период времени, мы будем использовать «абсолютный», а не сравнительный анализ. Используя «абсолютный» анализ, коррекция угла солнца определяется как исходное значение DN деленное на синус угла стояния Солнца (этот угол известен из исходных данных, поставляемых со снимком дистрибьютором). Таким образом, DN’= DN / sin (L), т. е.
Количество пикселов на выходе = количеству исходному количеству пикселов / Sin (угла стояния Солнца) (Формула 3),
где угол стояния Солнца измеряется в градусах
Следующие исходные данные поставляются со снимком для коррекции угла солнца:



СнимокУгол стояния СолнцаЗначение
1-й спектральный канал41.342050.66055



Все снимки, прошедшие коррекцию полупрозрачной облачности, подвергаются коррекция угла солнца по формуле 3.

Коррекция освещенности от солнца

Излучение, поступающие от соответствующего пиксела (элемента) на поверхности земли в оптоэлектронную систему, установленную на спутнике, зависит от двух факторов:

1. Взаимное влияние соседних элементов поверхности земли (соответственно соседних пикселов на изображении). Оно очень сильно проявляется в слуае использования данных низкого и среднего разрешения, однако в случае с данными высокго разрешения такое влияние несущественно, и им пренебрегают. Таким образом, для нашего снимка мы не производим никакой коррекции с этой точки зрения.

2. Влияние, которое оказывается элементами и частицами, содержащимися в атмосфере (дым, пыль, взвешенные частицы, слабая облачность в виде дымки). В связи с тем, что в нашем распоряжении снимок с нулевой облачностью и несмотря на то, что возможно, влияние частиц в атмосфере имеет место, мы пренебрегаем им за незначительностью.

Геометрическая коррекция

Из двух существующих методов геометрической коррекции в данной работе мы применили метод с использованием наземных контрольных точек. Численные значения (наземные координаты) были вычислены для наземных контрольных точек на снимке. Была достигнута точность 0,73 пиксела при пространственном разрешении 1 м (в случае с панхроматическим изображением со спутника IKONOS). После геопривязки была осуществлена повторная выборка изображения, в процессе которой каждое численное значение (соответствующие координаты точек) исходного изображения пересчитывалось и смещались в новое положение на исправленном снимке. В данной работе использовался метод билинейной интерполяции (интерполяции геометрической поверхности с помощью двух линейных функций), как дающей лучший эффект по сравнению с методом ближайшего соседа ( метод дискретизации изображений, при котором элемент выходного изображения формируется на основе параметров его ближайших пикселов ) и который имеет меньше искажений по сравнению с методом кубической конволюции — дискретизации с кубической сверткой ( метод интерполяции, основанный на вычислении взвешенного среднего по 16 ближайшим элементам изображения на участке 4 х 4 пиксела вокруг обрабатываемой точки исходного изображения ).

ВТОРОЙ ЭТАП ОБРАБОТКИ ИЗОБРАЖЕНИЯ И ЕГО КЛАССИФИКАЦИИ

Для улучшения качества снимка и повышения его интерпретируемости применялся целый ряд методик, а именно: улучшение характеристик снимка (расширение границ контрастности или цветовая композиция), фильтрация.

Улучшение характеристик снимка

Данные со спутника IKONOS поставляются в динамическом диапазоне равном 11-бит/пиксел (2048 градаций серого), в то время как программное обеспечение для обработки изображений работает со снимками в 8-битовом диапазоне (256 градаций серого), начиная с черного 0 и заканчивая белым 255. Поэтому когда заказчик получает снимок, изображение кажется абсолютно черным. Для того, чтобы повысить контрастность и увеличить количество дискретных чисел, изображение ремасштабируется.

Расширение границ контрастности

Спутниковые изображения, особенно изображения в оптическом диапазоне, зачастую ограничиваются лишь небольшой частью динамического диапазона, в частности, это происходит со снимками, полученными в условиях плохой освещенности. Для того, чтобы улучшить визуальные характеристики снимка, изображение трансформируется до того, пока оно не займет весь динамический диапазон. Данный метод называется расширением границ контрастности (contrast stretching) (рис. 2). Данный метод позволяет расширить динамический диапазон до максимального уровня, повышая контрастность всего снимка в целом.

При расширении гистограммы в целом существует два метода улучшения контрастности изображения (за исключением пошаговой подстройки контрастности) – линейное расширение гистограммы и ее выравнивание. При выборе метода мы остановились на выравнивании гистограммы, поскольку распределение слоев «серого» на выходе пропорционально частоте появления в корректируемом изображении исходных числовых дискретных данных (пикселов).

Синтезирование цветных изображений

Цветные изображения на мониторе, как правило, получаются в результате синтеза трех спектральных каналов. Обычно все три спектральных канала получаются одновременно. Спектральные каналы соответствуют красному, зеленому и синему участкам оптического диапазона. Можно также получать изображения в псевдоцветах трансформируя исходное цветное RGB изображение и добавляя инфракрасный канал.

Выбор каналов для синтеза цветного изображения

Каналы для синтеза цветного изображения выбираются не случайным образом. Каналы, которые допустимо использовать для синтеза, могут быть выбраны на основе статистических методов. Один такой метод основан на выборе каналов с наибольшей дисперсией (. Этот метод, предложенный в 1982 году Чавесом Эталом получил название «Фактор оптимального индекса». Чем ближе значения уровня дисперсии, тем выше качество синтезированного изображения. Перед выводом изображения на монитор в нашем исследовании был рассчитан «фактор оптимального индекса» различных комбинаций (каждая комбинация состоит из 3 каналов). Была построена матрица совпадения дисперсий, приведенная ниже.
Значения фактора оптимального индекса составили:
В первом случае (для 1, 3 и 4-го каналов) – 129,22
Во втором случае (для 1, 2 и 4-го каналов) – 111,95
В третьем случае (для 1, 2 и 3-го каналов) – 75,62
Поскольку на снимке представлена преимущественно застроенная территория, на нем много линейных объектов, таких как линии границ дорог. Линейные структуры не могли быть дифференцированы от зданий и других объектов на полученном синтезированном цветном изображении. Поскольку многие детали не могли быть визуализированы достаточно отчетливо, результат был признан неудовлетворительным. Таким образом, обработка была продолжена с помощью фильтров (метод улучшения изображения с помощью избирательных фильтров).

Использование фильтров

Если внимательно посмотреть на снимок, увеличенный до соответствующего крупного масштаба, можно обнаружить на некоторых фрагментах изображения явления «шума». Это характерно для участков, где присутствуют неоднородные детали, и это происходит из-за смешения пикселов. Поэтому прежде, чем использовать избирательные фильтры, мы применили «фильтры максимальных значений».

Классификация

В принципе, технологии классификации основываются на выделении спектральных характеристик объектов для того, чтобы различать на снимке значимые классы различных типов земной поверхности. С помощью классификации снимки, над которыми уже была проделана работа по улучшению их характеристик, трансформируются в тематические слои. Выбор тематических слоев зависит от задач анализа, а также спектральных характеристик и пространственного разрешения анализируемого снимка. В данной работе задачей анализа являлось обновление набора данных для масштаба 1:25000. Для классификации были определены следующие тематические слои:
Территории застройки, участки древесных насаждений, открытые участки местности, водные объекты, линии дорог.
Следует отметить, что под тематическим слоем «открытые участки местности» мы понимаем как пустоши, так и площади под посевами, а также луга – все это попадает в один тематический слой. Точно так же промышленные зоны и объекты, спортивные сооружения, территории жилой застройки и другие искусственно возведенные объекты мы объединяем в тематический класс «территории застройки».

Подбор эталонных образцов

Принимая во внимание высокое пространственное разрешение исходного снимка, а также то, что он является мультиспектральным, следует отметить, что можно выделить гораздо больше тематических слоев и классов объектов. Нами были проведены полевые обследования для того, чтобы собрать различные эталонные образцы, которые расширяют тематические слои, приведенные выше. Мы смогли выделить, например, не просто открытые участки местности, а незасеянную пашню, возделанные участки с только появившимися побегами, луга, заболоченные участки местности и т. д. В поле удалось выделить более 30 эталонных образцов для целей последующей классификации.

Формирование атрибутивной картографической информации

Для целей классификации на основе мультиспектрального снимка, необходимо определить какие спектральные каналы, и в какой комбинации будут использоваться для дальнейшего эффективного выделения атрибутивной информации.
Поскольку фактор оптимального индекса имеет наибольшее значение для комбинации 3,4 и 1-го спектральных каналов, то именно их комбинация используется для дальнейшего выделения атрибутивной картографической информации. (Следует заметить, что данная комбинация используется в данном конкретном случае, для других видов анализа использовались и другие комбинации спектральных каналов).

Определение набора эталонных значений

В связи с тем, что все три измерения невозможно представить на двухмерном мониторе, мы представили изображение в виде 3 графиков рассеяния. При отнесении некоторых пикселов к тому или иному классу случались большие отклонения в связи с тем, что некоторые пиксели несли некорректную информацию о географическом местоположении. В этой связи иногда представлялось затруднительным отнести их к тому или иному классу атрибутивной информации (тематическому слою). В этой связи количество классов атрибутивной картографической информации было увеличено, принимая во внимание, что после проведения классификации некоторые объекты и элементы попадут в один класс снова при ГИС анализе. Дороги были разделены на три класса – скоростные автомагистрали, дороги и велосипедные дорожки. Открытая местность – на луга, возделанные участки местности и т.д. В тех местах, где не представлялось возможным однозначно выделить дороги и здания, ставился значок «Х», т. е. «неопределено».

Выбор алгоритма классификации

Из множества различных алгоритмов классификации, несмотря на свою простоту, классификатор на основе квадратной диаграммы был отклонен, потому что не все значения, имеющие отношение к конкретному классу расположены в компактной форме так, чтобы они точно попадали в границы оцениваемого квадрата диаграммы. Результатом могла бы стать потеря точности. Точно так же классификатор с использованием критериев минимального Эвклидова кодового расстояния и его сравнения с погрешностью среднего был отклонен, поскольку существует опасность отнесения класса к пикселю, который имеет большое отклонение от погрешности среднего. Этого можно избежать, задав расстояние фиксированным, однако само его значение может оказаться важным для пользователя.
Третий вид классификации – классификация по методу наибольшего сходства представляется наиболее оптимальным, поскольку основан на вероятностных принципах. При отнесении пикселя к тому или иному классу принимаются во внимание такие параметры, как среднее значение для кластера (блока пикселов) и ковариативность. Именно этот алгоритм и был применен при выполнении работ по классификации.

Осуществление классификации

После завершения всех вышеперечисленных этапов, была проведена классификация для совмещенных спектральных каналов на основе уже выделенных образцовых значений и критериев, а также с использованием алгоритмов, описанных выше.
Совершенно очевидно стало, что результаты классификации оказались не удовлетворительными. Большинство домов были отнесены к классу дорог или скоростных магистралей. Некоторые строения (с темной крышей) имели характеристики отражения, которые были близки к характеристикам воды и были отнесены к классу водных объектов. Также некоторые лесные массивы были отнесены к водным объектам. Результаты первой классификации оставляли впечатление, что классификация на основе каналов спектрозонального изображения в их исходном виде не может обеспечить хороший результат. (Рис. 8) Вот почему процесс обработки изображения был продолжен с использованием арифметических и других методов, чтобы убедиться в том, что можно получить более качественный результат. Результирующие изображение после такой обработки должно было обеспечить лучшую интерпретируемость, а поэтому и результаты должны были оказаться лучше.

Применение других методов обработки изображения

Поскольку результат классификации не был признан удовлетворительным, были применены другие методы обработки изображения, чтобы убедиться в возможности получения лучшего результата при классификации.
Из всего разнообразия методов были выбраны три – арифметический алгоритм, метод слияния нескольких изображений для улучшения отдельных характеристик и параметров, а также метод анализа основных компонент.

Арифметический алгоритм

Чтобы решить проблему смешения спектральных диапазонов, которая приводит к ошибкам идентификации городской застройки и дорожных сетей, была предпринята попытка использовать в большей степени 4 канал, поскольку он содержит больше информации о растительности. Для этого, было выполнено увеличение контрастности некоторых областей изображения, после чего изображение было инвертировано. Однако результат не устранил смешения дорожной сети и городской застройки. Следовательно, идея относительно инверсии и увеличения контрастности для этой цели была оставлена.

Слияние изображений

Слияние изображений заключается в формировании нового изображения в результате комбинации двух и более различных изображений с использованием определенного алгоритма. Смысл данного метода заключается в том, чтобы повысить точностные характеристики, а также повысить надежность интерпретации за счет снижения неопределенности. Были использованы три подхода для получения наилучшего изображения с точки зрения его интерпретируемости. Первый – это последовательное добавление отдельных каналов к панхроматическому каналу. Второй подход заключался в получении средних значений спектральных характеристик всех спектральных каналов с последующим наложением на панхроматическое изображение. И, наконец, третий подход предусматривал трансформацию RGB изображения в 3 отдельных изображения – каждое из которых имело бы максимальные характеристики соответственно интенсивности, насыщенности и оттенков цветов.
После того, как были апробированы все три подхода, оказалось, что добиться улучшения результатов классификации не удалось (отмечено ухудшение автоматического распознавания классов объектов).

Анализ основных компонентов

В основе анализа лежало создание новых изображений, которые получались в результате оценки корреляции между 4 исходными каналами. Эти изображения строились по принципу убывания степени корреляции между исходными каналами. Первые три изображения с наибольшим коэффициентом корреляции комбинировались в одно изображение, однако и в этом случае результат автоматического распознавания классов объектов оказался еще ниже.

Причины отказа от автоматического распознавания классов объектов

Как показали вышеприведенные эксперименты, любые попытки осуществить автоматическое выделение классов объектов были неудачными в силу того, что различия в спектральных и отражающих характеристиках между отдельными объектами оказались небольшими, что приводило к неоднозначному отнесению того или иного объекта к соответствующему классу. В нашем случае мы имели дело с тестовым участком, который представлял собой преимущественно застроенную территорию с минимальным количеством растительности, водных объектов и т. д. Крыши домов, дороги, отдельные участки местности имеют практически идентичные спектральные характеристики и сильную корреляцию между собой, что приводило к существенным ошибкам.
Как итог, мы отказались от автоматического распознавания классов объектов. Вместо этого была осуществлена ручная визуальная классификация. Результаты оказались очень хорошими. Это связано прежде всего с особенностями человеческого восприятия и мышления, в частности ассоциативности, а также возможности, т.е. инструментов, недоступных при автоматическом распознавании и дешифрировании.

Интеграция векторных данных с растровым изображением и обновление

Была выполнена интеграция векторных необновленных данных с растровым изображением, а потом информация была обновлена с использованием классов и отдельных объектов выделенных в результате визуального дешифрирования. При обновлении данных на изображении применялся анализ непосредственно объектов и их окружения, текстуры, формы, расположения и т.д. Весь процесс обновления информации выглядел следующим образом – отображалась генерализованная векторная информация в среде ГИС, при этом снимок уже был приведен в соответствие с данными ГИС. Затем любые объекты и отдельные элементы в случае их несоответствия векторизовались и им присваивалась атрибутивная информация. Если в результате происходило «выпадение» того или иного элемента из соответствующего класса, вносились необходимые изменения и элементу или объекту присваивалась новая атрибутивная информация. Этот процесс продолжался последовательно до тех пор, пока все объекты и элементы в различных классах не были обновлены. (см. рис. 13-15).

Заключение

Данные дистанционного зондирования высокого пространственного и спектрального разрешения являются уникальным источником информации.
Спутниковые данные дистанционного зондирования высокого разрешения представляются очень эффективным средством обновления картографической информации с точки зрения экономии времени и средств. Выделение отдельных объектов и их классов зависит от характера местности, для городской застройки автоматическое отнесение тех или иных элементов изображения к тому или иному классу затруднено. Однако визуальная интерпретация является очень эффективной.
Необходимо уделять особое внимание ошибкам, возникающим при совмещении векторных и растровых данных.
Для сильно пересеченной местности и гористых территорий необходима интеграция также с данными ЦМР (ЦММ).
В связи с тем, что имеющиеся в нашем распоряжении тестовые данные представляли участки преимущественно городской застройки без колебаний рельефа, мы исключили рельеф из рассмотрения. Для гористой местности рельеф вносит большие искажения в истинное положение отдельных элементов изображения, поэтому необходимо построение цифровых моделей рельефа и учет высотных характеристик.

Версия для печати

    Еще в рубрике: Влияние пиковых попусков с Волгоградской ГЭС на экологию Северо-Западного Каспия, Дешифрирование космических снимков для целей картографии, Создание ортоисправленных изображений со спутника IKONOS на основе ЦМР со спутника SPOT, Обновление географической информации на основе данных ДЗЗ высокого разрешения, Использование коэффициентов рационального многочлена (RPCs) для ортотрансформирования спутниковых изображений IKONOS/QuickBird,
    Все материалы

© Официальный сайт Научного центра оперативного мониторинга Земли (НЦ ОМЗ) АО «Российские космические системы». При использовании материалов сайта ссылка на источник обязательна.

127490, Москва, ул. Декабристов, вл.51, стр. 25
Тел.: (495) 925-04-19, (495) 229-43-89, Факс: (495) 509-12-00
E-mail: ntsomz@ntsomz.ru, service@ntsomz.ru

 

Яндекс цитирования Rambler's Top100 Система Orphus