авторефераты диссертаций www.z-pdf.ru
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
 

На правах рукописи

Симонов Дмитрий Павлович

Дешифрирование природных территориальных комплексов

по многозональным космическим снимкам высокого разрешения

(на примере растительности)

25.00.34 – Аэрокосмические исследования З емли, фотограмметрия

Автореферат диссертац ии на соискание ученой степени

кандидата технических наук

Новосибирск – 2015

Работа выполнена в федеральном государственном бюджетном образователь-

ном учреждении высшего образования « Сибирский государственный универси-

тет геосистем и технологий» (СГ УГ иТ ).

Научный руководитель – доктор технических наук, профессор

Г ук Александр Петрович

Офиц иальные оппоненты:

Ж уркин И горь Г еоргиевич, доктор технических наук, профессор, федеральное

государственное бюджетное образовательное учреждение высшего профессио-

нального образования « Московский государственный университет геодезии и

картографии», заведующ ий кафедрой вычислительной техники и автоматизи-

рованной обработки аэрокосмической информац ии;

Никитина Ю лия Владимировна, кандидат технических наук, федеральное госу-

дарственное бюджетное учреждение « Рослесинфорг» З ападно-Сибирский фи-

лиал, главный спец иалист участка дистанц ионного мониторинга.

Ведущ ая организац ия – федеральное государственное бюджетное учреждение

науки И нститут леса им. В. Н. Сукачева Сибирского отделения Российской

академии наук (г. К расноярск).

З ащ ита состоится 17 декабря 2015 г. в 13.00 час. на заседании диссертац ионно-

го совета Д 212.251.02 при Ф Г Б ОУ ВО « Сибирский государственный универ-

ситет геосистем и технологий» по адресу: 630108, Новосибирск, ул. Плахотно-

го, д. 10, ауд. 402.

С диссертац ией можно ознакомиться в библиотеке и на сайте Ф Г Б ОУ ВО « Си-

бирский

государственный

университет

геосистем

и

технологий»:

http://sgugit.ru/science-and-innovations/dissertation-councils/dissertations/simonov-

dmitry-pavlovich/

Автореферат разослан 23 октября 2015 г.

Ученый секретарь

диссертац ионного совета

Середович В. А.

И зд. лиц. ЛР № 020461 от 04.03.1997.

× 84 1/16.

Подписано в печать 15.10.2015. Ф ормат 60

Печ. л. 1,00. Т ираж 100 экз. З аказ.

Редакц ионно-издательский отдел СГ УГ иТ

630108, Новосибирск, Плахотного, 10.

Отпечатано в картопечатной лаборатории СГ УГ иТ

630108, Новосибирск, Плахотного, 8.

3

ОБ Щ АЯ Х АРАК Т ЕРИ СТ И К А РАБ ОТ Ы

Актуальность темы исследования. Развитие методов дешифрирования

космических снимков и средств космического мониторинга открывает широкие

возможности для определения различных параметров природных комплексов и,

в частности, лесных массивов а также повышает оперативность получения ин-

формац ии, снижая при этом затраты, что сущ ественно при больших объемах

исследований, характерных для Российской Ф едерац ии.

Системы получения информац ии на основе данных дистанц ионного зонди-

рования и количественном подходе активно развиваются с начала 80-х гг. XX в.

Развитию данного направления исследований посвящ ены работы Арманда Н. А.,

Асмуса В. В., Г ука А. П., Ж уркина И. Г., К опылова В. Н., Лупяна Е. А, Пятки-

на В. П., Сoйфера В. А., Чoчии П. А., Я рoславского Л. П. В настоящ ее время

разработаны различные методы ц ифровой обработки многозональных космиче-

ских снимков и соответствующ ие спец иализированные программные продукты,

такие, как ENVI, ER-MAPPER, ERDAS Imaging, Geomatica и другие.

Автоматизированные методы успешно применяются в различных сферах

исследования поверхности З емли для решения широкого круга задач: при мо-

ниторинге водных объектов, городских территорий, для сельского хозяйства,

при проведении лесотаксац ионных работ и инвентаризац ии леса. В условиях

России, где работы выполняются на обширных территориях, эффективное при-

менение космических снимков возможно только при использовании автомати-

ческих методов дешифрирования снимков. При этом следует учитывать, что

природно-территориальные комплексы имеют сущ ественные различия, поэто-

му исследование и разработку методик автоматизированного дешифрирования

следует выполнять применительно к территории определенного типа.

Несмотря на большое количество разработанных и используемых алгорит-

мов и методик, в области автоматизац ии дешифрирования сущ ествует ряд не-

решенных проблем, связанных с отсутствием необходимого и достаточного на-

4

бора дешифровочных признаков для оц енки объектов и их состояния по сним-

кам при распознавании большинства естественных объектов.

Основным дешифровочным признаком чащ е всего является спектральная

яркость объекта, зафиксированная в виде значений яркости элементов ц ифро-

вого изображения. Поскольку природные образования даже одного типа обла-

дают различными отражательными характеристиками в силу многих причин, то

очевидно, что само значение яркости объекта не может служить достаточным

дешифровочным признаком.

С другой стороны, в силу характеристик съемочных систем, измеритель-

ный сигнал даже от одного пикселя уже является интегральной характеристи-

кой свойств исследуемой территории. Вероятностный характер такого распре-

деления отражается в наборе значений яркостей, которые соответствуют одно-

му объекту, т. е. являются не конкретным числом, а некоторым распределением

совокупности измерений – функц ией, вид которой может быть однозначным

признаком, поскольку представление информац ии в ц ифровом изображении

уже переводит регистрируемый сигнал в разряд измерений.

Т аким образом, для того, чтобы на основе измерения яркости изображения

получить спектральные яркости объекта с ц елью определить его тип, требуется

установить функц иональную зависимость с учетом всех факторов, влияющ их

на результаты измерений. Реально получить такую зависимость практически

невозможно, так как яркости элементов многоспектрального изображения не

могут однозначно определить тип объекта. Даже если задать определенный ин-

тервал изменения яркости, то однозначного решения не получится, поскольку

значения спектральных яркостей элементов изображения для различных при-

родных и антропогенных образований перекрываются.

Поэтому одним из вариантов решения проблемы является получение и ис-

пользование статистических характеристик, описывающ их распределение яр-

костей совокупности элементов, т. е. получение функц ии распределения плот-

ности вероятностей яркостей элементов, образующ их изображение объекта.

5

Степень разработанности темы. Все методы дешифрирования в той или

иной степени основаны на измерении абсолютной или относительной яркости

отраженного от объекта потока лучистой энергии, однако само значение ярко-

сти в силу сущ ественной изменчивости отражательной способности природных

образований, как следует из вышеизложенного, не является достаточным де-

шифровочным признаком.

В связи с этим является актуальной задача разработки алгоритма дешиф-

рирования, позволяющ его оц енить вид природного образования, а также его

однородность на основе статистических характеристик яркости, отображающ их

вариативность его отражательной способности, что позволит увеличить досто-

верность результатов дешифрирования и эффективность природопользования.

Цели и задачи научного исследования. Ц елью данной диссертац ионной ра-

боты являлось совершенствование методов автоматизированного дешифриро-

вания на основе изучения статистических характеристик спектральных ярко-

стей изображений объектов на многоспектральных снимках, создание стати-

стических эталонов распределения яркостей объектов на изображениях, разра-

ботка новой методики распознавания объектов, основанной на использовании

полученных статистических эталонов.

Для достижения поставленной ц ели необходимо решить следующ ие задачи:

– выполнить исследование статистических свойств яркостей изображений

различных природных объектов на многоспектральных снимках;

– показать, что функц ия плотности распределения может служить устой-

чивым численным дешифровочным признаком изображения объекта;

– разработать методику получения функц ии распределения плотности ве-

роятностей яркостей изображения заданных объектов на многоспектральных

снимках;

– разработать методику дешифрирования на основе использования стати-

стических эталонов и соответствующ ую технологическую схему;

– выполнить исследование предложенной методики и оц енить ее эффек-

тивность.

6

Научная новизна диссертац ии заключается в том, что разработан новый

метод дешифрирования природных территориальных комплексов с использо-

ванием статистических эталонов, отличающ ийся от стандартных тем, что для

описания характеристики объекта используются не отдельные численные зна-

чения яркостей элементов снимка, а функц ия распределения плотности вероят-

ностей совокупности яркостей, составляющ их изображение объекта, что позво-

ляет повысить достоверность распознавания природных образований на сним-

ках, в частности, при дешифрировании лесных массивов.

Теоретическая и практическая значимость работы:

– показано, что функц ия распределения плотности вероятностей позволяет

характеризовать внутренние свойства объектов, и, соответственно, эту характе-

ристику можно использовать при распознавании объектов;

– разработана новая методика дешифрирования объектов на снимках на

основе статистического подхода к распознаванию образов.

На основании выполненных исследований:

– получены статистические характеристики изображений для ряда природ-

ных объектов, в том числе для различных типов лесной растительности;

– разработана методика получения статистических эталонов, позволяющ ая

создавать такие эталоны для объектов различных классов;

– разработана новая методика, позволяющ ая автоматизировать проц есс

дешифрирования природных объектов и повысить достоверность распознавания.

Методология и методы исследования. В работе использовались методы

ц ифровой обработки изображений, методы ц ифровой фотограмметрии, методы

статистической теории распознавания образов и статистического анализа, фи-

зического и численного моделирования.

Положения, выносимые на защиту:

– функц ия плотности распределения яркостей изображений является ус-

тойчивым дешифровочным признаком для ряда природных объектов;

– методика оц енки функц ии плотности распределения вероятностей ярко-

стей изображений для получения статистических эталонов;

7

– метод дешифрирования на основе использования статистических этало-

нов, обеспечивающ ий повышение достоверности распознавания природных

объектов на снимках;

– технологическая схема выполнения дешифрирования природных террито-

риальных комплексов (на примере растительности) по предложенной методике.

Степень достоверности и апробация результатов.

Достоверность разработанной методики подтверждается результатами

экспериментальных работ, выполненных по многоспектральным космическим

снимкам тестовых участков на полигоне.

Основные положения и результаты исследований, практические рекомен-

дац ии и выводы докладывались и обсуждались на Международных научных

конгрессах: « Г ЕO-Сибирь» (2009 г., 2011 г., Новосибирск), « И нтерэкспо

Г ЕО-Сибирь» (2012–2014 гг., Новосибирск).

Основные результаты работы внедрены в производственный проц есс фи-

лиала Ф Г Б У « Рослесинфoрг» « Востсиблеспроект» (К расноярск) при формиро-

вании результатов мониторинга природных территорий, а также в учебный

проц есс Ф Г Б ОУ ВО « Сибирский государственный университет геoсистем и тех-

нологий» (Новосибирск) по дисц иплинам « Методы и технологии распознава-

ния объектов по их изображению» и « Ф отограмметрия и дистанц ионные мето-

ды зондирования З емли».

ОСНОВНОЕ СОДЕРЖ АНИ Е ДИ ССЕРТ АЦ И И

Во введении сформулированы ц ель и задачи, обоснована актуальность ра-

боты, описаны методы исследования, приведены новизна, теоретическая и прак-

тическая значимость, а также сформулированы основные положения, выноси-

мые на защ иту.

В первом разделе проведен анализ основных задач и проблем мониторинга

территорий на примере оц енки состояния лесных массивов. Показано, что для

8

этих ц елей эффективно использовать космические снимки как среднего, так

высокого и сверхвысокого разрешения, обеспечивающ ие периодичность, по-

зволяющ ую выполнять основные работы по мониторингу природных террито-

рий. Рассмотрены основные принц ипы получения многоспектральных косми-

ческих снимков, факторы, влияющ ие на яркость элементов изображения, а так-

же спектральные характеристики объектов. В результате анализа методов авто-

матизированного дешифрирования снимков установлено, что, несмотря на

большое количество разработанных и используемых методик, сущ ествует ряд

нерешенных проблем, особенно при дешифрировании природных образований.

Следует заметить, что это объясняется не только недостаточным количеством

исследований, проведенных в этой области, но и вариативностью свойств рас-

тительного покрова. До сих пор не установлена функц иональная связь между

измерениями, получаемыми в результате дистанц ионного зондирования (в боль-

шинстве случаев – это спектральные яркости) и характеристиками исследуемо-

го объекта.

В распознавании образов на снимках сущ ественная роль принадлежит че-

ловеку (оператору, принимающ ему решение). Однако современные съемочные

средства дистанц ионного зондирования дают чрезвычайно большой объем ин-

формац ии, который может быть эффективно использован только при автоматиче-

ской обработке этой информац ии. Отмечено, что при решении конкретных за-

дач регионального мониторинга возникает ряд особенностей, которые позволяют

упростить решение задачи дешифрирования, поэтому необходима новая техно-

логия дешифрирования, учитывающ ая конкретную прикладную задачу и вид

объекта, а также особенности регистрац ии и обработки данных, возникающ ие

в системе мониторинга. Т аким образом, разработка новых методов оц енки пара-

метров и состояния природных комплексов достаточно актуальна и перспективна.

Во втором разделе обосновывается предложенный метод – дешифрирова-

ние по статистическим эталонам, основанный на статистическом подходе к опи-

санию яркостей изображения объектов различных типов на многоспектральных

9

снимках. Спектральные яркости являются одним из основных дешифровочных

признаков объектов на снимках. Однако, на эти измерения влияет большое ко-

личество различных факторов. Соответственно, функц иональная математиче-

ская модель, устанавливающ ая связь между измерениями и спектральными яр-

костями, а также свойствами объекта, очень сложная. Практически использо-

вать такую модель невозможно, так как нужно фиксировать большое число раз-

личных параметров, причем многие факторы носят случайный характер.

Полученные на практике результаты показывают, что, при наблюдении в

совокупности множества однородных случайных явлений, в них обнаружива-

ются вполне определенные закономерности, своего рода устойчивости, свойст-

венные именно этой совокупности случайных явлений. И менно массовость

случайных явлений обеспечивает выполнение такой закономерности. Свойства,

проявляющ иеся в этой массе, оказываются практически независимыми от ин-

дивидуальных особенностей отдельных случайных явлений, входящ их в эту

массу, и чем большее количество однородных случайных явлений участвует

в проц ессе, тем отчетливее проявляются присущ ие их совокупности спец ифи-

ческие законы.

Во всех случаях, когда применяются вероятностные методы исследования,

ц ель состоит в том, чтобы, минуя слишком сложное (а иногда и практически

невозможное) изучение отдельного явления, обусловленного слишком боль-

шим количеством факторов, обратиться непосредственно к законам, управ-

ляющ им всей совокупностью этих событий.

В работе автора было показано, что, например, отражающ ая способность

листовых пластин может меняться в несколько раз при одних и тех же условиях

съемки и сущ ественно зависит от типа рассматриваемой растительности, в то

же время, для определенного типа растительного покрова распределение веро-

ятностей появления пикселей заданных яркостей практически не изменяется.

Т аким образом, одним из вариантов определения типа объекта является нахож-

дение статистических характеристик, описывающ их распределение яркостей

10

совокупности элементов, описывающ их объект. Соответственно, получив

функц ии плотности распределения вероятностей яркостей элементов, обра-

зующ их изображение объекта, можно по этому фактору отличить один объект

от другого.

В статистическом подходе исследуются свойства случайных векторов

X  (x1, x2,..., xk ) , где k – количество признаков (при обработке многоспек-

тральных снимков k – количество спектральных каналов съемочной системы).

Элементами вектора X для случая распознавания объектов по их изображениям

на снимках являются значения яркостей элементов изображения. И звестно, что

случайный вектор полностью характеризуется функц ией распределения веро-

ятностей

F(X )

или функц ией плотности распределения вероятностей

(X ) 

.

X

В общ ем случае при распознавании образов на изображении закон распре-

деления F(X ) и функц ия плотности распределения (Х) не известны и для их

оц енки используется непараметрический метод.

Оц енка определяется по обучающ ей выборке (xi)1  (x , x2,..., xk ) задан-

1

ного объема m для каждого из классов Sk, k = 1, 2, …, k.

Оц енку (Х) можно получить различными методами, которые основаны на

аппроксимац ии (Х) тем или иным способом. Применяются: гистограммный

метод, метод Парзена, метод К -ближайших соседей, разложение по ортого-

нальным функц иям, но так как почти все оц енки являются асимптотическими,

то выбор метода оц енки особой роли не играет, практически необходимо уве-

личивать размер выборок по возможности, как для эталонов, так и для оц ени-

ваемых функц ий. В данной работе для оц енки функц ии плотности вероятностей

использовался гистограммный метод. Распознавание на основе статистических

характеристик объектов выполняется следующ им образом. После определения

функц ии плотности распределения вероятностей (х1, х2, …, xi / S0) заданного

класса эталонного объекта S0 по обучающ ей выборке определяется соответст-

F(X )

mk

(1)

где (х1, х2, …, xn / S1) – условная плотность вероятности при условии принад-

лежности классу Si;

(х1, х2, …, xn / S0) – условная плотность вероятности принадлежности эта-

лонному классу S0;

C – критерий соответствия.

Если соотношение выполняется, то считается, что оц ениваемая совокуп-

ность принадлежит генеральной совокупности, т. е. объект Si соответствует

эталону S0. Для одномерного случая имеем:

11

венно функц ия плотности вероятностей (х1, х2, …, xi / S1) для дешифрируемого

класса S1. Распознавание объекта осущ ествляется сравнением этих зависимо-

стей, т. е. оц енивается, принадлежит ли оц ениваемый объект заданному эта-

лонному классу или нет. В данной работе для оц енки принадлежности оц ени-

ваемого объекта к заданному классу использовались:

– метод, основанный на формировании отношения правдоподобия и его

анализе;

– метод, использующ ий корреляц ионный анализ.

В методе правдоподобия вычисляется отношение правдоподобия:

(2)

где

1(xi) и 0(xi) – оц енка функц ии плотности вероятностей признака x в

точках измерений xi; N – количество измерений.

При использовании корреляц ионного метода оц енки принадлежности

функц ий распределений к заданному классу вычисляется максимум корреляц и-

онной функц ии, полученной по эталонной и оц ениваемой функц иями.

(x1, x2,..., xn / Si)

(x1, x2,..., xn / S0)

L

C ,

N

L

i1

1 xi

0

  xi,

 

12

Т аким образом, дешифрирование выполняется путем последовательного

сравнения функц ии плотности распределения вероятностей изображения опре-

деляемого объекта с каждой эталонной функц ией плотности распределения ве-

роятностей – статистическими эталонами. Решение о принадлежности объекта

к определенному классу принимается при выполнении условий максимального

соответствия эталонной функц ии.

В работе предложена методика создания статистических эталонов, которая

включает следующ ие проц ессы:

выбирается снимок, в общ ем случае совокупность снимков, получен-

ных многоспектральной съемочной системой одного типа;

выбирают участки на снимках, на которых изображены объекты опре-

деленного класса, для которых создаются статистические эталоны;

выбирается спектральный канал, по которому выполняется оц енка

функц ии плотности распределения вероятностей;

для каждого объекта, изображенного на всех эталонных снимках, стро-

ится гистограмма, характеризующ ая оц енку функц ии плотности распределения

вероятностей. Полученная функц ия распределения плотности вероятностей ис-

пользуется как эталонная.

Общ ая технологическая схема дешифрирования снимков на основе стати-

стических эталонов, предложенная в работе, включает следующ ие проц ессы:

– предварительный анализ исходных снимков и дополнительных материа-

лов (выбор оптимальных каналов, оц енка картографических материалов и про-

чих возможно имеющ ихся данных);

– предварительная обработка дешифрируемых снимков (атмосферная кор-

рекц ия, трансформирование, нормирование, масштабирование яркостей, сег-

ментац ия и/или другие преобразования);

– выбор участков для создания эталонов;

– определение объема эталонных выборок, обеспечивающ его их репрезен-

тативность;

13

– получение функц ии плотности распределения вероятностей для эталонов;

– создание набора статистических эталонов;

– получение контрольной выборки;

– оц енка функц ии плотности распределения вероятностей для контрольной

выборки;

– оц енка принадлежности контрольной выборки к той же генеральной со-

вокупности, что и эталонная выборка;

– редактирование набора статистических эталонов в соответствии с кон-

трольной выборкой;

– выбор объектов для идентификац ии;

– получение функц ии плотности распределения вероятностей для распо-

знаваемых объектов;

– последовательное сопоставление всех идентифиц ируемых и эталонных

выборок;

– принятие решения о принадлежности объекта к определенному классу;

– оц енка полученных результатов.

В третьем разделе описаны экспериментальные работы.

Экспериментальные работы выполнялись по космическим снимкам

IKONOS, Quik Bird, Fоrmosat 2. Для обработки снимков использовалось про-

граммное обеспечение ERDAS Imagine 9, ENVI и спец иально разработанные

программы для предварительной обработки изображений. Эксперименты

включают в себя исследования, направленные на подтверждение правомерно-

сти и эффективности применения метода статистических эталонов для распо-

знавания объектов по их изображениям на многоспектральных снимках. Для

этого было выполнены: исследования вариативности спектральных яркостей

растительности; определение минимальных размеров выборок для оц енки эта-

лонов и дешифрируемых объектов; оц енка статистических свойств некоторых

типов растительности, включая нахождение статистических эталонов. Т акже

была проверена работоспособность предложенного метода и выполнена оц енка

14

достоверности дешифрирования. В результате исследования вариативности

спектральных яркостей растительности в зависимости от изменения яркостей

отдельных ее составляющ их (в частности, пространственной ориентац ии листь-

ев и хвои) установлено, что:

– изменение положения листовой пластины относительно съемочной сис-

темы и/или солнечного освещ ения приводят к изменениям численных значений

яркости;

– хвойные и лиственные леса имеют различный характер зависимости яр-

кости от ориентац ии листовой пластины;

– лиственные леса различных пород имеют значительные различия ярко-

сти для одних и тех же углов разворота листовых пластин.

Для определения минимально необходимого объема выборки при создании

эталонов были проведены эксперименты с различными объемами выборок, по

которым гистограммным методом оц енивались функц ии распределения плот-

ности вероятностей. Ф ункц ии, полученные по различным выборкам, сравнива-

лись путем оц енки соответствия по максимуму корреляц ионной функц ии. На

рисунке 1 показан график изменения корреляц ии между функц иями, получен-

ными по различным выборкам.

1,000

0,900

0,800

0,700

0,600

0,500

0,400

0,300

0,200

0,100

0,000

Размер участка, пиксели

Рисунок 1 – И зменение коэффиц иента корреляц ии

в зависимости от размеров выборок

15

Полученный результат показывает, что при количестве измеренных ярко-

стей элементов изображения, превышающ их 1 500 измерений, вид функц ии

распределения практически не меняется и значение максимума корреляц ии со-

ответствует установленному допуску (в данном случае 0,94).

На следующ ем этапе исследовались особенности изменения статистиче-

ских характеристик отдельных видов растительности: среднее значении ярко-

стей, диапазон яркостей и среднее квадратичное отклонение для данного клас-

са, а также вид оц енки функц ии плотности вероятностей для разных классов и

поведение спектральных яркостей в различных каналах многоспектральных

съемочных систем с ц елью определения возможности их применения для де-

шифрирования объектов заданного класса при применении различных подхо-

дов. На рисунках 2 и 3 показаны статистические характеристики яркостей изо-

бражений различных объектов для разных спектральных каналов (n – количест-

во пикселей, R – яркость в условных единиц ах).

n

R

а)

б)

Рисунок 2 – Распределение частоты появления пикселей с данной яркостью для

красного канала: а) для всего снимка; б) по каждому типу объекта – вода,

болото, лиственная растительность, трава, хвойные

б)

Рисунок 3 – Распределение частоты появления пикселей с данной яркостью для

инфракрасного (И К ) канала: а) для всего снимка; б) по каждому типу объекта –

вода, болото, лиственная растительность, трава, хвойные

Анализ результатов показал, что:

– несмотря на значительные отличия формы гистограмм различных объек-

тов в большинстве спектральных каналов, значения яркостей этих объектов пе-

рекрываются, т. е. разделить объекты по средним значениям  и средним квад-

ратичным отклонениям  невозможно, и, соответственно, стандартный подход

при классификац ии будет давать сущ ественные ошибки;

– наименьшее перекрытия областей яркости для разных типов раститель-

ности наблюдается в И К -канале, и эта тенденц ия сохраняется для всех рассмот-

ренных снимков;

– единственным признаком, сохраняющ им свои характеристики для задан-

ного объекта практически в каждом канале, является вид функц ии, описываю-

щ ей частоты появления пикселя с заданной яркостью, а наибольшее различие

вида кривых наблюдается в красном канале и И К -диапазонах спектра.

16

n

R

а)

17

На следующ ем этапе были получены статистические эталоны для некото-

рых типов леса. Для корректности проведения экспериментов на космических

снимках были выбраны однородные тестовые участки (рисунок 4) определен-

ного типа растительности в соответствии с лесоустроительной картой.

а)

б)

Рисунок 4 – Т естовые участки определенных типов растительности:

а) на снимке; б) на карте

Далее в соответствии с правилами получения эталонов были рассчитаны

оц енки функц ии плотности вероятностей распределения яркостей участков.

Эти функц ии были приняты за эталонные. Примеры эталонных функц ий при-

ведены на рисунке 5.

а)

б)

в)

г)

д)

е)

Рисунок 5 – Примеры эталонных функц ий: а) тестовый участок № 1;

б) тестовый участок № 2; в) тестовый участок № 3; г) тестовый участок № 4;

д) тестовый участок № 5; е) тестовый участок № 6

18

Для подтверждения эффективности предложенной методики по всему по-

лю снимка были выбраны одиннадц ать участков-образц ов, обозначенных лите-

рами A–L английского алфавита, для которых нужно было определить тип леса.

На рисунке 6 представлен пример распознавания типа леса на основе соот-

ветствия вида функц ий распределения плотности вероятности яркостей эталон-

ного и исследуемого участков. Достоверность распознавания типа растительно-

сти определялась сравнением с данными лесоустроительной карты.

а)

б)

Рисунок 6 – Пример соответствия вида функц ий плотности вероятностей

распределения яркостей эталонного участка и образц а:

а) тестовый участок № 7; б) участок-образец А

На следующ ем этапе было выполнено последовательное сравнение функ-

ц ии определяемого объекта с каждой функц ией-эталоном. В таблиц е 1 пред-

ставлены значения коэффиц иентов корреляц ии между эталонами, а также объ-

ектом и эталоном. Первая часть таблиц ы показывает, что большинство этало-

нов сущ ественно отличаются друг от друга.

Результаты дешифрирования представлены во второй части таблиц ы, где

приведены значения и выделены максимумы корреляц ионных функц ий, полу-

ченных в результате сравнения дешифрируемого объекта с каждым из этало-

нов. Принадлежность к данному типу леса в соответствии с эталоном опреде-

лялась по максимуму корреляц ии. К ак видно из результатов эксперимента, дос-

товерность распознавания составила около 90 %.

19

Т аблиц а 1 – К орреляц ионная матриц а

Объекты

сравнения

Эталон 1 Эталон 2 Эталон 3 Эталон 4 Эталон 5 Эталон 6 Эталон 7

1

1,000

0,560

0,763

0,205

0,942

0,726

0,346

2

0,560

1,000

0,898

0,654

0,527

0,946

0,813

3

0,763

0,898

1,000

0,601

0,690

0,894

0,779

4

0,205

0,654

0,601

1,000

0,116

0,606

0,922

5

0,942

0,527

0,690

0,116

1,000

0,796

0,408

6

0,726

0,946

0,894

0,606

0,796

1,000

0,745

7

0,346

0,813

0,779

0,922

0,408

0,745

1,000

A

0,334

0,742

0,688

0,921

0,367

0,694

0,963

B

0,264

0,724

0,690

0,950

0,293

0,663

0,957

C

0,159

0,542

0,559

0,954

0,159

0,455

0,853

D

0,164

0,552

0,573

0,954

0,192

0,486

0,851

E

0,259

0,730

0,689

0,958

0,305

0,606

0,931

F

0,879

0,526

0,623

0,152

0,812

0,654

0,316

G

0,264

0,703

0,884

0,939

0,391

0,617

0,925

H

0,609

0,913

0,874

0,658

0,698

0,937

0,873

I

0,905

0,938

0,661

0,213

0,829

0,609

0,311

K

0,544

0,825

0,768

0,918

0,506

0,834

0,949

L

0,339

0,816

0,777

0,950

0,384

0,682

0,943

В таблиц е 2 представлены результаты дешифрирования снимков традиц и-

онными методами с обучением: методом максимального правдоподобия, мето-

дом расстояния Махаланобиса, методом минимальных дистанц ий. Полученные

результаты показывают, что методы классификац ии, основанные на использо-

вании значений яркости, плохо разделяют классы с близкими значениями или

большой вариативностью этого параметра.

Данные, приведенные в таблиц ах 1, 2, подтверждают преимущ ества пред-

ложенного метода статистических эталонов по сравнению с простым примене-

нием традиц ионных методов. Естественно, что применение более сложных ал-

горитмов дешифрирования может привести к более высокой достоверности.

Однако применение метода статистических эталонов показывает достаточно

хорошие результаты.

При применении этого метода в комплексных алгоритмах распознавания

можно рассчитывать на получение высокой достоверности и оперативности

распознавания объектов, а также возможности автоматизац ии проц есса.

20

Т аблиц а 2 – Достоверность результатов дешифрирования

Достоверность дешифрирования автоматизированными методами:

максимального

расстояние

минимальных

правдоподобия

Махаланобиса

расстояний

Объекты

сравнения

A (Эталон 7)

B (Эталон 7)

C (Эталоны

3,4)

D (Эталоны

3,4)

E (Эталоны

3,4)

F (Эталоны

1,5)

G (Эталоны

3,4)

H (Эталон 6)

I (Эталон 2)

K (Эталон 7)

L (Эталон 7)

Class 2 – 12 %

Class 3 – 11 %

Class 4 – 22 %

Class 5 – 24 %

Class 7 – 25 %

Class 2 – 18 %

Class 3 – 11 %

Class 4 – 21 %

Class 5 – 15 %

Class 7 – 29 %

Class 2 – 17 %

Class 4 –49 %

Class 7 – 17 %

Class 2 – 14 %

Class 4 – 46 %

Class 7 – 21 %

Class 2 – 25 %

Class 4 – 42 %

Class 7 – 14 %

Class 1 – 15 %

Class 3 – 22 %

Class 5 – 46 %

Class 6 – 11 %

Class 2 – 12 %

Class 3 – 11 %

Class 4 – 27 %

Class 5 –16 %

Class 7 – 25 %

Class 1 – 12 %

Class 2 – 13 %

Class 3 – 16 %

Class 5 – 12 %

Class 6 – 25 %

Class 7 – 13 %

Class 1 – 16%

Class 2 – 3 %

Class 3 – 16 %

Class 5 – 59 %

Class 2 – 16 %

Class 3 –13 %

Class 4 – 20 %

Class 5 – 14 %

Class 7 – 23 %

Class 2– 21 %

Class 4– 30 %

Class 5– 12 %

Class 7– 18 %

Class 1 – 17 %

Class 2 – 23 %

Class 3 – 27 %

Class 4 – 18 %

Class 7 – 6 %

Class 1 – 16 %

Class 2 – 24 %

Class 3 – 28 %

Class 4 – 17 %

Class 7 – 7 %

Class 1 – 13 %

Class 2 – 27 %

Class 3 – 26 %

Class 4 – 24 %

Class 1 – 14 %

Class 2 – 31 %

Class 3 – 22 %

Class 4 – 24 %

Class 1 – 15 %

Class 2 – 23 %

Class 3 – 27 %

Class 4 – 20 %

Class 1 – 11 %

Class 3 –23 %

Class 5 – 34 %

Class 6 – 20 %

Class 1 – 15 %

Class 2 – 25 %

Class 3 – 28 %

Class 4 – 15 %

Class 1 – 14 %

Class 2 – 24 %

Class 3 – 29 %

Class 6 – 16 %

Class 1 – 10 %

Class 2 – 5 %

Class 3 – 18 %

Class 5 – 54 %

Class 6 – 11 %

Class 1 – 17 %

Class 2 – 24 %

Class 3 – 31 %

Class 4 – 11 %

Class 7 – 5 %

Class 1 – 18 %

Class 2 – 21 %

Class 3 – 21 %

Class 4 – 13 %

Class 5 – 19 %

Class 7 – 5 %

Class 4 – 35 %

Class 7 – 49 %

Class 4 – 32 %

Class 7 – 48 %

Class 4 – 65 %

Class 7 – 21 %

Class 4 – 63 %

Class 7 – 23 %

Class 2 – 14 %

Class 4 – 62 %

Class 7 – 16 %

Class 1 – 17 %

Class 3 – 19 %

Class 5 – 35 %

Class 6 – 28 %

Class 4 – 41 %

Class 7 – 39 %

Class 2 – 10 %

Class 4 – 16 %

Class 6 – 35 %

Class 7 – 23 %

Class 1 – 30 %

Class 2 – 8 %

Class 3 – 13 %

Class 5 – 33 %

Class 2 – 11 %

Class 4 – 30 %

Class 7 – 39 %

Class 2 – 12 %

Class 4 – 46 %

Class 7 – 25 %

21

З АК ЛЮ ЧЕНИ Е

В заключении сформулированы основные результаты работы:

ческих снимков, используемых при мониторинге природных территориальных

комплексов; установлено, что дешифрирование на основе спектральных ярко-

стей в ряде случаев дает неудовлетворительный результат. Поэтому необходи-

мо совершенствовать сущ ествующ ие алгоритмы и разрабатывать новые про-

стые и устойчивые методы распознавания, а также использовать комплексные

алгоритмы для повышения достоверности автоматизированного дешифрирова-

ния снимков;

бражений сохраняют свои значения для одного класса объектов для различных

снимках, полученных съемочной системой одного типа, и сущ ественно меня-

ются для объектов других классов, следовательно, функц ия распределения яр-

костей изображения объекта является устойчивым дешифровочным признаком;

рирования многоспектральных космических снимков и получены статистиче-

ские эталоны для некоторых типовых объектов растительности для космиче-

ских снимков высокого разрешения;

разработана новая методика и технологическая схема дешифрирования

аэрокосмических снимков по статистическим эталонам, позволяющ ая с высо-

кой степенью достоверности дешифрировать различные природные образова-

ния на поверхности З емли, в том числе растительность;

стей для различных каналов многоспектральной съемочной системы показали,

что разделимость объектов по спектральным яркостям и по спектральным эта-

лонам различается, и вследствие этого можно использовать такие признаки как

дополняющ ие, что повышает достоверность распознавания;

 выполнен анализ современных методов ц ифровой обработки аэрокосми-

 показано, что статистические характеристики яркостей элементов изо-

 разработана методика получения статистических эталонов для дешиф-

 исследования изменений функц ии распределения плотности вероятно-

22

– экспериментальные работы, выполненные по реальным космическим

снимкам IKONOS, Quik Bird, Fоrmosat 2, показали эффективность применения

разработанного метода, вероятность распознавания объектов растительности

достигает 90 %. Дальнейшее развитие предложенного метода – применение его

в комплексных алгоритмах, что повысит надежность и достоверность автома-

тических алгоритмов дешифрирования.

СПИ СОК РАБ ОТ, ОПУБ ЛИ К ОВАННЫХ АВТ ОРОМ

ПО Т ЕМЕ ДИ ССЕРТ АЦ И И

1 Дешифровочные признаки изображений объектов на многоспектральных

космических снимках. Разработка методик автоматизированного дешифриро-

вания аэрокосмических снимков / А. П. Г ук, Л. Г. Евстратова, Е. П. Х лебнико-

ва, С. А. Арбузов, М. А. Алтынц ев, А. С. Г ордиенко, А. А. Г ук, Д. П. Симонов //

Г еодезия и картография. – 2013. – № 7. – С. 31–40.

2 Симонов, Д. П. Метрический подход к дешифрированию снимков /

Д. П. Симонов // Г еодезия и картография. – 2014. – № 10. – С. 51–56.

3 Симонова, Г. В. И спользование структурных признаков при ц ифровой

обработке изображений / Г. В. Симонова, Е. П. Х лебникова, Д. П. Симонов //

Г ЕО-Сибирь-2009. V Междунар. науч. конгр. : сб. материалов в 6 т. (Новоси-

бирск, 20–24 апреля 2009 г.). – Новосибирск: СГ Г А, 2009. Т. 5, ч. 2. – C. 168–170.

4 Х лебникова, Е. П. Определение количественного и качественного соста-

ва керамики методами автоматизированного дешифрирования / Е. П. Х лебни-

кова, Д. П. Симонов // Г ЕО-Сибирь-2011. VII Междунар. науч. конгр. : сб. ма-

териалов в 6 т. (Новосибирск, 19–29 апреля 2011 г.). – Новосибирск: СГ Г А,

2011. Т. 4. – С. 55–59.

5 Разработка бесконтактных методов количественного определения струк-

турных характеристик керамических материалов / П. М. Плетнев, Г. В. Симо-

нова, Д. П. Симонов, А. С. Степанова // И нтерэкспо Г ЕО-Сибирь-2012. VIII

Междунар. науч. конгр. : Междунар. науч. конф. « Спец иализированное прибо-

23

ростроение, метрология, теплофизика, микротехника, нанотехнологии» : сб. ма-

2012. Т. 2. – С. 196–200.

6 Симонов, Д. П. Анализ возможности создания ц ифровых эталонов при-

знаков для структурированных поверхностей / Д. П. Симонов // И нтерэкспо

Г ЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. « Спе-

ц иализированное приборостроение, метрология, теплофизика, микротехника,

Новосибирск: СГ Г А, 2012. Т. 2. – С. 201–204.

7 Симонов, Д. П. Анализ методов выделения типов растительных покровов

по многозональным космическим снимкам / Д. П. Симонов // И нтерэкспо Г ЕО-

Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. « Дистан-

ц ионные методы зондирования З емли и фотограмметрия, мониторинг окру-

8 Х лебникова, Е. П. Возможности применения методов статистического

анализа при дешифрировании многозональных космических снимков / Е. П. Х леб-

никова, Д. П. Симонов // И нтерэкспо Г ЕО-Сибирь-2013. IХ Междунар. науч.

конгр. : Междунар. науч. конф. « Дистанц ионные методы зондирования З емли и

фотограмметрия, мониторинг окружающ ей среды, геоэкология» : сб. материа-

Т. 1. – С. 59–63.

9 Х лебникова, Е. П. И сследование возможности использования ц ифровых

снимков высокого разрешения для определения отражательных характеристик

растительности / Е. П. Х лебникова, Д. П. Симонов // И нтерэкспо Г ЕО-Сибирь-

2013. IХ Междунар. науч. конгр. : Междунар. науч. конф. « Дистанц ионные ме-

тоды зондирования З емли и фотограмметрия, мониторинг окружающ ей среды,

восибирск: СГ Г А, 2013. Т. 1. – С. 64–69.

жающ ей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 1020 апре-

териалов в 2 т. (Новосибирск, 1020 апреля 2012 г.).  Новосибирск: СГ Г А,

нанотехнологии» : сб. материалов в 2 т. (Новосибирск, 1020 апреля 2012 г.). 

ля 2012 г.).  Новосибирск: СГ Г А, 2012. Т. 1.  С. 3–7.

лов в 2 т. (Новосибирск, 1526 апреля 2013 г.).  Новосибирск: СГ Г А, 2013.

геоэкология» : сб. материалов в 2 т. (Новосибирск, 1526 апреля 2013 г.).  Но-

24

10 Симонова, Г. В. Разработка оптического метода контроля качества по-

верхности / Г. В. Симонова, Д. П. Симонов // И нтерэкспо Г ЕО-Сибирь-2013.

IХ Междунар. науч. конгр. : Междунар. науч. конф. « СибОптика-2013» : сб. ма-

2013. Т. 2 – С. 62–66.

11 Х лебникова, Е. П. Автоматизац ия контроля качества поверхностей на

основе анализа статистических характеристик их ц ифровых изображений /

Е. П. Х лебникова, Д. П. Симонов // И нтерэкспо Г ЕО-Сибирь-2014. Х Между-

нар. науч. конгр. : Междунар. науч. конф. « СибОптика-2014» : сб. материалов

С. 54–58.

12 Х лебникова, Е. П. И сследование методов статистического анализа при

дешифрировании многозональных космических снимков / Е. П. Х лебникова,

Д. П. Симонов // И нтерэкспо Г ЕО-Сибирь-2014. Х Междунар. науч. конгр. :

Междунар. науч. конф. « Дистанц ионные методы зондирования З емли и фото-

грамметрия, мониторинг окружающ ей среды, геоэкология» : сб. материалов

С. 19–23.

териалов в 2 т. (Новосибирск, 1526 апреля 2013 г.).  Новосибирск: СГ Г А,

в 2 т. (Новосибирск, 818 апреля 2014 г.).  Новосибирск: СГ Г А, 2014. Т. 2. –

в 2 т. (Новосибирск, 818 апреля 2014 г.).  Новосибирск: СГ Г А, 2014. Т. 1. –



Похожие работы:

«ЛАВРИШИН Владимир Иванович ФОРМИРОВАНИЕ И РАЗВИТИЕ ОРКЕСТРОВОГО ИСПОЛНИТЕЛЬСТВА НА РУССКИХ НАРОДНЫХ ИНСТРУМЕНТАХ В ЧЕЛЯБИНСКОЙ ОБЛАСТИ 17.00.02 – Музыкальное искусство АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата искусствоведения Магнитогорск – 2015 Имханицкий Михаил Иосифович, доктор искусствоведения, заслуженный деятель искусств РФ, профессор ФГБОУ ВПО Российская академия музыки им. Гнесиных Варламов Дмитрий Иванович, доктор искусствоведения, профессор,...»

«Кузьмина Марина Сергеевна ВИЗУАЛЬНАЯ КУЛЬТУРА И ТРАДИЦИИ СИММЕТРИИ В ТОВАРНЫХ ЗНАКАХ РОССИИ Специальность 24.00.01 – Теория и история культуры АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата культурологии Саратов 2015 Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования Саратовский государственный технический университет имени Гагарина Ю.А. Научный руководитель: доктор философских наук,...»

«ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность работы. Наноструктурированные слои серебра, закрепленные на соответствующих подложках-носителях, находят применение в качестве катализаторов окисления, бактерицидных покрытий, а также в химическом анализе для создания высокоэффективных подложек для спектроскопии гигантского комбинационного рассеяния (ГКР-спектроскопии) и рецепторных элементов химических сенсоров. Для формирования таких слоев используют различные методы, в частности, напыление,...»





 
© 2015 www.z-pdf.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.