автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Метод и алгоритмы обработки информации с гиперспектрометров при дешифровке наземных объектов

кандидата технических наук
Потапов, Владимир Николаевич
город
Москва
год
2013
специальность ВАК РФ
05.13.01
цена
450 рублей
Диссертация по информатике, вычислительной технике и управлению на тему «Метод и алгоритмы обработки информации с гиперспектрометров при дешифровке наземных объектов»

Автореферат диссертации по теме "Метод и алгоритмы обработки информации с гиперспектрометров при дешифровке наземных объектов"

На правах рукописи

Потапов Владимир Николаеви

Метод и алгоритмы обработки информации с гиперспектрометров при дешифровке наземных объектов

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (приборостроение)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук.

5 ДЕК 2013

005541895

Москва-2013

005541895

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Московский государственный университет леса» (ФГБОУ ВПО «МГУЛ»)

Научный руководитель: доктор технических наук, профессор,

Ведущая организация: ФГАОУ ВПО Московский физико-

технический институт (государственный университет)

Защита состоится «20» декабря 2013 г. в 14 часов 00 минут на заседании диссертационного совета Д 212.146.04 при Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Московский государственный университет леса» по адресу: 141005, Московская область, г. Мытищи, ул. Институтская, д. 1, МГУ Л.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «МГУЛ»

Полуэктов Николай Павлович

Официальные оппоненты:

Степанов Игорь Михайлович доктор технических наук, профессор ФГБОУ ВПО Московского государственного университета леса, профессор кафедры вычислительной техники

Марчуков Владимир Семенович доктор технических наук, профессор ФГБОУ ВПО Московского государственного университета геодезии и картографии, профессор кафедры космического мониторинга

Автореферат разослан « ноября 2013г.

Ученый секретарь диссертационного совета кандидат технических на доцент

Тарасенко П. А.

Общая характеристика работы.

Актуальность работы.

Достижения в области технологий аэрокосмического мониторинга леса в первую очередь обязаны достижениям космической техники и космического приборостроения. Для мониторинга лесов широко используются спутниковые данные низкого, среднего и высокого разрешения. Лесные службы используют снимки с зарубежных КА: TERRA, Landsat (ЕТМ), SPOT, IRS, ERS(SAR), ENVISAT(ASAR) и снимки с российских КА: «Ресурс-01», «Метеор-ЗМ», «Монитор-Э». Все более широко используются данные детального разрешения зарубежных КА: IKONOS, Quick-Bird, ALOS; российские потребители начали работы с данными К А «Ресурс-ДК». Помимо оптических данных для районов, покрытых облачностью большую часть года, используются радиолокационные данные. Поставкой космических снимков для отечественного рынка занимаются как государственные (ФГУП НЦ КМЗ, Госцентр «Природа»), так и коммерческие организации (ИТЦ Сканэкс, Совзонд и др.).

Большой вклад в создание методов обработки космических снимков лесов внесли организации Рослесхоза (ВНИИЛМ, «Авиалесохрана», «Центрлеспроект», «Севзаплеспроект», «Запсиблеспроект»), академические институты: ИКИ РАН, ИРЭ РАН, ЦЭПЛ РАН, ИЛ СО РАН; научные центры: ЦПАМ «АЭРОКОСМОС»; вузы: МГУЛ, СПбЛТА, МарГТУ.

Однако в настоящее время отчетливо проявился ряд факторов, сдерживающих развитие и внедрение технологий аэрокосмического мониторинга леса. Уровень методических разработок, практического применения и данных дистанционного зондирования в лесном хозяйстве остается недостаточным. Отсутствует координация научно-исследовательских и методических работ на отраслевом, межотраслевом и международном уровнях.

Производственные организации, выполняющие лесоинвентаризационные работы, в недостаточной степени используют информацию аэрокосмических снимков.

Кроме того, данных, полученных со снимков, состоящих из малого числа спектральных каналов (3-30 в зависимости от спутника), зачастую недостаточно для дешифровки с производственной точностью.

По данным отечественных и зарубежных исследований с каждым годом в мире все большим спросом пользуются гиперспектральные снимки с количеством каналов от 80 и выше. Это отчетливо видно на рис.1

Рис. 1 Оценка спроса на различные типы данных.

Поэтому наиболее перспективным направлением является использование именно таких снимков и совершенствование технологии их обработки.

Теоретические предпосылки к решению этой проблемы созданы трудами отечественных и зарубежных ученых: Сухих В.И., Кондранин Т.В., Родионов И.Д., Козодеров В.В., Галкин Ю.С. и др., Means J.E., Hudak А.Т. Данная работа находится в русле дальнейшего развития технологий, разработанных перечисленными учеными.

Цель работы. Целью данной диссертационной работы является разработка метода и алгоритмов обработки информации с гиперспектрального снимка при дистанционной дешифровке объектов (на примере растительности) с уменьшением влияния внешних и субъективных факторов.

Задачи исследования. Для достижения поставленной цели в работе были решены следующие задачи:

1) выполнить анализ современного состояния технических средств и существующих методов обработки информации дистанционного зондирования Земли в мире и России.

2) провести разработку автоматизированного метода обработки гиперспектральных снимков, который позволил бы решить проблему влияния внешних факторов (шум, облачность, тень, дождь и т.д.) и субъективности восприятия оператора;

3) разработка математического, алгоритмического и программного обеспечения обработки информации с гиперспектральных снимков на основе полученного метода и алгоритмов;

4) провести экспериментальную проверку применимости предложенного метода на основе модельного снимка;

5) провести экспериментальную проверку применимости предложенного метода в реальных условиях.

Методы исследований основаны на цифровом компьютерном представлении процессов получения и преобразования информации с аэрокосмических снимков, корректном использовании положений теории о п-мерных пространствах, а также с учетом существующих математических методов обработки космической информации.

Положения, выносимые на защиту. На защиту выносятся:

1) метод и алгоритмы обработки гиперспектральных данных с учетом внешнего воздействия среды;

2) компьютерная модель реализации метода и алгоритмов обработки информации с гиперспектрометров;

3) результаты экспериментальной проверки эффективности разработанных метода и алгоритмов на модели космического снимка;

4) результаты экспериментальной проверки эффективности разработанных метода и алгоритмов в реальных условиях.

Научная новизна. Предложен новый подход в структурировании и предварительной обработке гиперспектральных данных, а также автоматическому дешифрированию гиперспектральных снимков.

К новым результатам относятся:

1) метод получения дополнительной информации независимой от влияния внешних воздействий при дистанционной дешифровке объектов;

2) теоретическое обоснование эффективности предложенного метода и алгоритмов на основе математического евклидового пространства;

3) разработан алгоритм по структурированию и предварительному представлению гиперспектральной информации;

4) разработанные алгоритмы по автоматизированной обработке гиперспектральных снимков, независящие от внешних факторов среды и субъективного восприятия дешифровщика;

5) разработанное программное обеспечения, реализующее вышеописанные метод и алгоритмы.

Практическое значение результатов работы. Теоретические и модельные исследования завершены созданием на их основе математического, алгоритмического и программного обеспечения автоматизированной обработки информации космических гиперспектральных снимков, которое позволит решить следующие практические задачи:

1) оптимизацию гиперспектральных данных при дешифровке без потери информации при структурировании и представлении;

2) уменьшение влияния внешних факторов среды (шум, облачность, тень, дождь и т.д.) на конечный результат обработки при съемке территории;

3) устранение зависимости результата обработки аэрокосмических гиерспектральных снимков от квалификации дешифровщика.

Достоверность результатов, изложенных в работе, обоснована строгостью применения математического аппарата, сопоставлением результатов численного моделирования с данными из независимых источников, а также с данными, полученными в результате экспериментальных исследований на модельном и реальном снимках.

Апробация работы. Результаты диссертации прошли апробацию на научных конференциях:

1) международная конференции посвященная 50-летнему юбилею факультета электроники и системотехники, которая состоялась 3 февраля 2009 года в Центре управления полетами в городе Королеве;

2) 5 международная конференция - "Космическая съёмка - на пике высоких технологий", проводимая компанией «Совзонд» 13-15 апреля 2011 года в Москве;

3) отчетная аспирантская научно-техническая конференция в Московском государственном университете леса 12 мая 2011 года.

4) научно-техническая конференция в Московском государственном университете леса 25 января 2012 года.

Публикации. Результаты диссертации изложены в 5 печатных работах. Все работы опубликованы в журналах, входящих в «Перечень российских рецензируемых журналов, и рекомендованных для публикации основных научных результатов диссертации на соискание ученой степени доктора и кандидата наук в редакции 2013 года».

Структура и содержание диссертационной работы

Диссертационная работа состоит из введения, трех глав с выводами, заключения, списка литературы. Общий объем диссертации 138 страниц, в том числе 74 рисунков, 14 таблиц, список литературы состоит из 131 наименований (из них 26 иностранных источников).

Содержание работы

Во введении диссертации обоснована актуальность темы, сформулированы основная цель и задачи исследований, раскрыта научная и

s

практическая ценность работы, приведены результаты реализации и апробации работы, а также основные положения, выносимые на защиту.

В первой главе дается краткий обзор состояния дистанционного зондирования Земли из космоса и анализ существующих методов обработки данных (методов исследований в оптическом диапазоне, геоинформационных, автоматизированных, алгоритмических и статистических методов). В качестве вывода приводятся наиболее перспективные направления для дальнейшей модернизации и развития.

Бурное развитие систем дистанционного зондирования Земли как в плане интенсивного роста числа спутников, оснащенных съемочной аппаратурой, так и в смысле качественного совершенствования сенсоров и другой бортовой аппаратуры идет неравномерно, сопровождается революционными скачками в одних направлениях и отставанием, информационным дефицитом - в других. Только за последние несколько лет запущено 11 коммерчески доступных спутников дистанционного зондирования Земли, причем темпы явно нарастают: 2004 г. - 1 запуск (Formosat-2), 2005 г. - 2 (IRS Р5 и Монитор-Э), 2006 г. - 4 (Ресурс-ДК, Kompsat-2, EROS-B, ALOS). В 2007 г. уже осуществлен успешный запуск 4 аппаратов (Cartosat-2, TerraSAR-X, CosmoSkyMed-1, WorldWiew-1) и планируется запуск еще трех аппаратов (GeoEye-1, RADAR-SAT-2, CosmoSkyMed-2).

Используемые в настоящее время дистанционные методы, как правило, являются косвенными, т. е. измеряются не интересующие параметры объектов, а некоторые связанные с ними величины.

Широта охвата является характерной чертой спутниковых методов исследования Земли. К тому же эти методы, как правило, позволяют получить результат за сравнительно короткий интервал времени. Для Сибири с её просторами спутниковые методы в настоящее время являются наиболее предпочтительными.

Основные области применения спутниковых данных дистанционного зондирования - получение объективной оперативной информации о состояния

окружающей среды и о природопользовании, мониторинг природных и техногенных опасных ситуаций и катастроф.

Определен предмет исследований - разработка новых метода и алгоритмов дешифрирования космических изображений высокого разрешения с большим числом каналов, направленных на автоматизацию обработки данных дистанционного зондирования земли, повышения ее информативности и выделению новых признаков обработки.

Во второй главе приводится теоретическое обоснование метода представления гиперспектральных данных и их обработки, а также краткое описание самого метода.

Метод представления и обработки гиперспектральных данных, основанный на статистических методах обработки данных, п-мерном пространстве и цифровом представлении отражательных способностей предметов.

Как показывает практика, для работы с таким большим массивом данных, как гиперспектральные снимки, необходимо проводить первичную обработку данных и их структурирование, и представление. Анализ существующих методов обработки гиперспектральных снимков позволяет выявить их особенности и специфику.

Визуализация является малоэффективным алгоритмом в анализе данных гиперспектрального снимка. Эти данные не только обширные, но и многомерные в диапазоне от 400 до 2400 нм.

Такое представление имеет существенный недостаток. Так как человеческий глаз видит в диапазоне от 200 до 600 нм, то визуализация гиперспектральных данных ведет к большой потере информации.

Таким образом, вся информация, не вошедшая в этот диапазон, будет при такой работе утеряна. Более информативным будет невизуальное представление. Подобное представление позволяет определить кривую спектральной яркости объекта в чисто цифровом виде и дает возможность

выделить объект, не прибегая к визуальному представлению изображения, а используя его как иллюстрацию.

4M 435 470 SOS 540 S7S 610 645 680 TIS 7S0 785 SI0 855 830 925 960 995 1030 1065 1100

Рис.2 Невизуальное представление гиперкуба.

Реализация этого подхода в работе осуществляется путем построения невизуальной версии гиперкуба. При построении и описании невизуального представления данных были использованы методы многомерного статистического анализа и определения свойств линейного п-мерного пространства.

Каждый канал гиперспектрального снимка представляется как массив пикселей (1).

X

Л

У«

С учетом количества каналов образуется п-мерное пространство таких массивов, где п количество каналов снимка. Эти массивы связанные между собой, представляют трехмерный куб.

Каналы гиперспектрального снимка представляют информацию о снимке в диапазоне от 0 до 2400 нм с шагом от 10 до 20 нм в зависимости от характеристик гиперспектрометра. Следовательно, каждый пиксель на снимке характеризует спектральную яркость объекта на данной длине волны. По этим данным можно построить кривую отражательной способности объекта. Ниже приведен пример кривой отражательной способности сосны, где по оси У отложена отражательная способность, по оси X длина волны. (Рис.3)

Данная кривая характеризует отражательную способность объекта в конкретной точке снимка. Совокупность кривых для всех пикселей, всех точек снимка позволяет получить представление гиперспктрального снимка как массива кривых отражательных способностей объектов в каждой точке снимка.

Указанное представление исходной информации позволило предложить формализованный метод уменьшения зависимости результатов дешифровки от внешних факторов при съемке (спектральные тренды, недостаток освещения, угол съемки, задымленность и другие шумовые характеристики). Суть метода состоит в создании разностной матрицы на основе сдвинутых матриц одного и того же гиперспектрального представления пикселей (рис.4,5).

«1

N

/

»3-— г

/

-4 7

ЛИ- "Л т

3— г

А .-Л

«и и я ю <0 75 « 0 ¡0 я в X и п в и С 1 оо ю (1

Рис.4 Кривые отражательных способностей сосны (красный) и ольхи (зеленый), построенные по данным спектров лесных пород.

Л]

\

I \

10 00 90

60 1

30 А \\

V \

10 й ж 30 4У 'У- ч / V

ш >1 ЙЧт ¡у'л т 15 1 п ^ т я 11 а ! Я 8 п Я 9 и Ц 2к1 а и

Рис.5 Кривые отражательных способностей сосны (красный) и ольхи (зеленый), построенные по данным разностных матриц спектров лесных пород. Для реализации предложенного метода в диссертации разработан алгоритм, который представлен следующей последовательностью операций:

1) из исходного гиперспектрального изображения создают и записывают матрицу интенсивностей всех спектральных каналов для определяемого пиксела;

2) сдвигают матрицу по оси частот (по номерам каналов) и записывают

ее;

3) матрицы вычитают (из второй первую) и записывают разностную матрицу;

4) указанные действия повторяют для всех пикселов изображения.

В результате будет трехмерная матрица по координатам пикселов и длинам волн (или номеров каналов).

Кривые разностных матриц приведенные на рис. 3 образуют набор информативных признаков, относящихся к каждому исходному спектру. Такими признаками могут являться, в зависимости от конкретной задачи положительная и отрицательная амплитуды, расстояния между нулями положительной и отрицательной полуволн и комбинации (например, суммы и разности соответствующих параметров) и т.д.

В таблице 1 приведена разрешающая способность новых признаков и существующих, для оценки преимуществ.

сосна ольха

(Мах-тт)/среднее по у 51% 136%

(Мах-тт)/среднее по х 136% 45%

(Разница полуволн)/среднее 132% 132%

Разрешающая способность(НОУ1) 30% 23%

Разрешающая способность методов кластерного анализа 35% 25%

Разрешающая способность статистических методов 25% 20%

обеспечение ОЕБН, с использованием которого была построена математическая модель процесса обработки информации с гиперспектрометра на основе предложенного метода.

В третьей главе проводится апробация и экспериментальная проверка разработанных метода и алгоритмов на модели космических снимков с помощью разработанного программного обеспечения БЕБН.

Описывается программное обеспечение ОЕБН, принцип построения и расчета шумовых характеристик для кривых отражательных способностей и статистический анализ и проверка эффективности разработанных методов на модели космических снимков.

Программное обеспечение БЕБН реализует две функции: 1. Создает модель космического гиперспектрального снимка с определенным количеством объектов на нем (в том числе лесных и сельхоз пород).

2. Проверяет работу разработанных метода и алгоритмов.

Для описания программы нам будет достаточно смоделировать снимок состоящий из 25 пикселей (5*5).

Программа направлена на определение пяти пород растительности (сосна, ель, береза, осина, ольха), которые в случайном порядке регенерируются при работе программы в поле матрицы

Входные данные 5 на 5. Каждому полю матрицы соответствует пиксель с одной из пород растительности. Каждая порода в свою очередь задается при помощи кривой из сорока точек в двумерном пространстве. Программа БЕБН включает в себя библиотеку эталонов вышеуказанных пород растительности. В поле "Эталон" появляется матрица пикселей эталонов пород растительности и шумовых пикселей. В поле "Входные" появляется матрица пикселей неклассифицированных пород, заданных с помощью библиотеки и шумовой характеристики, которая изменяет координаты точек каждой из кривой библиотеки эталонов. Далее над матрицей «Входные данные» проводят преобразования, приведенные в алгоритме, по всем признакам и полученный результат попиксельно сравнивают с библиотекой эталонов. Классифицированную матрицу записывают в поле "Выходные данные" (рис.6).

ЕЕ Ель ■ °СИМа

Рис. 6 Пример работы программы ОЕБН

Далее в 3 главе приводится статическая оценка эффективности метода с учетом смоделированных внешних факторов (шумов) на примере модельного снимка в 5625 пикселей (75*75).

Для моделирования внешних факторов проделаны следующие операции: точки эталонного графика сдвигаются вверх или вниз по оси у, то есть изменяется отражательная способность каналов (для достоверности программа изменяет случайное количество точек, но не менее 70%, случайным образом, но не менее чем на 2 единицы).

Далее приводится статистический анализ на модельном снимке с помощью разработанного программного обеспечения. На каждом этапе будем увеличивать пороговую погрешность, а так же минимальное количество необходимых совпадений.

Для простоты сравнения в правом нижнем углу находится окно «Количество определенных пород», в котором приведена таблица, показывающая эталонный набор пород на снимке (колонка «Эталон») и количество определенных пород (колонка «Выходные данные»), в количественных и процентных показателях от всего снимка. К примеру «Сосна: 1873 - 37%», означает, что на снимке 1873 сосновых породы, что составляет 37% от всего количества пород на снимке. Для достоверности модельного снимка, 2% и эталонного и обрабатываемого снимка, будут заполняться породами с кривыми отражательных способностей, задаваемыми в абсолютно произвольном порядке и даже близко не подпадающие ни под один из эталонов. В окне «Количество определенных пород» такие породы обозначены как «Другое» 1,2,3. (Рис. 7)

Колич9стео опиаеледааа порт

Эталон ВесвмьывДвдаы«. ;Соск»: 1873 • 37? ГвТЗ • 37 X ¡E-» 1266 25 % 1266-25* !Е«р*м 506-10 * 5« 10*

¡Осина 8)0-16« 010-16 Ъ

•Опмв 658-13* 658-13*

:Др*<ж 58 - 1 * 58 - 1 *

jOpy-oel' 12 -0* 12 - О*

| Другое 2 35 • 1 * 35 • 1 *

Рис. 7 Результат работы программы (для всех пород) Увеличим погрешность на 15 процентов. (Рис.8) После увеличения погрешности до 15% правильность определения пород снизилась: сосна - 97%, ель - 100%, береза - 70%, осина - 69%, ольха - 77%, другое (в целом) - 11%. Ниже приведена сводная таблица 2 разрешающих способностей объектов, наглядно иллюстрирующая преимущества новых дешифровочных признаков.

Рис. 8 Результат работы программы при отклонении в 15 единиц

Таблица 2 Разрешающая способность дешифровки по каждой породе

сосна ель береза осина ольха

Сумма амплитуд 51% 50% 136% 147% 114%

Период переколибаний 136% 45% 45% 91% 182%

Разница полуволн 132% 44% 132% 58% 132%

Дешифровка по 30% 32% 23% 24% 23%

Дешифровка методами кластерного анализа 35% 35% 25% 30% 25%

Дешифровка статистическими методами 25% 25% 20% 20% 20%

Далее в диссертации приводится описание проверки эффективности разработанных метода и алгоритма на натурном снимке.

Для проверки эффективности разработанных метода и алгоритмов в реальных условиях были взяты гиперспектральные и наземные данные, предоставленные одной из ведущих в России организацией по разработке технического и программного обеспечения для гиперспектральных измерений.

Для проверки был предоставлен гиперспектральный снимок, состоящий из 287 каналов в диапазоне от 300 до 900 нм, с пространственным разрешением 1,8 м. Для оценки полученных результатов были также предоставлены наземные (априорные) данные того же участка, который изображен на снимке с подробным описанием количественных и качественных характеристик пород и объектов на снимке.

Для определения на снимке были взяты следующие 7 пород: лен, лен с сорняками, лежь, рожь, рижик, пшеница, крапива. Также в отдельный класс была выделена лесополоса, точный данных по которой предоставлено не было.

Из гиперспектрального снимка была выделена спектральная яркость каждой породы. Далее, используя наземные (априорные) данные и гиперспектральный снимок, был создан и занесен в программное обеспечение эталонный образец дешифровки. Гиперспектральный снимок был введен в программное обеспечение, проведена его обработка и сравнение результатов с эталоном (Рис.9).

»члс7К11Н11.-р| ш-»<>|111>.11'Н<».1 »!"■«;)/

А.

-

>

5« Леи с сориикы Пшениц;

■ Крапива ® Ром. 6Й Лесопопоса □ Дотов

979-16*. Лвнсорняибми 917-154 •■'4-1$%

Крапиеа. Лесопопоса Рожь Другое

2«-4* «гв- 7% 140-34 2*6-5%.

Рис. 9 Результат обработки гиперспектрального снимка с помощью программного обеспечения ВЕБН.

После сравнения результатов видно, что расхождение при определении пород составило лишь один процент, лен и лен с сорняками определились стопроцентно. Наибольшее расхождение получилось при определении лесополосы, но это произошло из-за того, что данных о породах, попавших в лесополосу, предоставлено не было.

Для сравнения результатов данный снимок был обработан тремя наиболее распространенными методами. Результаты обработки этих методов и полученного метода представлены ниже в таблице 3.

Количество правильно определенных пород %

Разрешающая способность(ВЕ8Н)% 95

Разрешающая способность(ШУ1)% 37

Разрешающая способность методов кластерного анализа 59

Разрешающая способность статистических методов % 35

Таким образом, данные таблицы №3 показывают, что эффективность разработанных методов и алгоритмов превосходит существующие методы.

19

Заключение.

К основным результатам работы можно отнести следующее:

1. Проведен анализ состояния текущих технических средств и существующих методов дистанционного зондирования земли из космоса в мире, и России в частности, с выявлением конкретных недостатков.

2. Предложен новый способ представления гиперспектральных данных на основе п-мерного пространства и новый способ обработки гиперспектральных снимков, применение которых, обеспечивает:

- Использование всей информации гиперспектральных данных, поступающих со снимка.

- Устранение негативного влияния внешних факторов при обработке

снимка.

- Создание автоматизированной системы дешифрирования и устранение зависимости процесса обработки от квалификации дешифровщика.

- Разработаны метод и алгоритмы по оптимизации и структурированию гиперспектральных данных с целью повышения информативности.

- Разработаны алгоритмы для решения проблемы негативного влияния среды при обработке гиперспектральных снимков.

3. На основе разработанных метода, алгоритмов и исследований создано программное обеспечение.

4. Проведена статистическая оценка качества алгоритмов, метода и программного обеспечения на основе оценки допустимой погрешности и устойчивости метода к внешним изменениям на модельном снимке.

5. Проведена проверка эффективности разработанных метода и алгоритмов на натурном снимке.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. *Галкин Ю.С., Шалаев B.C., Батырев Ю.П., Потапов В.Н., Семенова В.П. Эсаналиев Ч.Д. Определение по космическим снимкам биометрических и продукционных характеристик растительности // Вестник Московского государственного университета леса - Лесной вестник. - 2009 № 6(69) с.20-24.

2. *Галкин Ю.С., Шалаев B.C., Батырев Ю.П., Потапов В.Н., Семенова В.П., Эсеналиев Ч.Д. Особенности применения лесотаксационной информации при тестировании космических снимков // Вестник Московского государственного университета леса - Лесной вестник. - 2010 № 7(76) с. 37-39.

3. * Галкин Ю.С., Шалаев B.C., Батырев Ю.П., Потапов В.Н., Эсеналиев Ч.Д. Метод Обработки информации с гиперспектрометров для оперделения породы растительности при дистанционном мониторинге // Вестник Московского государственного университета леса - Лесной вестник. - 2011 №7(83) с. 79-82

4. * Галкин Ю.С., Шалаев B.C., Батырев Ю.П., Потапов В.Н., Эсеналиев Ч.Д. Методы амплитудной селекции спектральных максимумов при определении породного состава лесов // Вестник Московского государственного университета леса - Лесной вестник. - 2011 №7(83) с. 83-86.

5. * Галкин Ю.С., Потапов В.Н. Обработка модели гиперспектрального снимка с использованием дополнительных дешифровочных признаков. // Вестник Московского государственного университета леса - Лесной вестник. -2012 №7 (90) с.41-45.

* Научная работа, опубликована в ведущем рецензируемом журнале, определенном ВАК.

Отпечатано в полном соответствии с качеством представленного оригинал-макета

Подписано в печать 15.11 2013. Формат 60x90 1/16 Бумага 80 г/м2 Гарнитура «Тайме». Ризография. Усл. печ. л. 1,0 Тираж 100 экз. Заказ № 248.

Издательство Московского государственного университета леса 141005, Мытищи-5, Московская обл., 1-ая Институтская, 1, МГУЛ E-mail: izdat@mgul.ac.ru

Текст работы Потапов, Владимир Николаевич, диссертация по теме Системный анализ, управление и обработка информации (по отраслям)

Федеральное государственное бюджетное образовательное учреждение высшего профильного образования -«Московский государственный университет леса»

04201450348 На правах рукописи

Потапов Владимир Николаевич

Метод и алгоритмы обработки информации с гиперспектрометров при дешифровке наземных объектов

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (приборостроение)

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель: доктор технических наук, профессор Полуэктов Николай Павлович

г. Москва 2013

Содержание

Введение.....................................................................4

1. Анализ современного состояния технических средств . и методов обработки информации при дистанционном

зондировании Земли и постановка задачи........................9

1.1 Современные технические средства мониторинга

Земли из космоса........................................................................9

1.2 Современные методы обработки информации при дистанционном зондировании Земли.............................................14

1.3 Оценка особенностей практического использования современных средств и методов дистанционного зондирования Земли, и выбор наиболее перспективного направления для

развития............................................................................................................20

2. Теоретическое обоснование и описание разработки метода, алгоритмов и способов обработки информации при дистанционном зондировании Земли гиперспектральными приборами...................................39

2.1.Теоретическое обоснование метода параметрического анализа дешифровочных признаков в задачах дистанционного

зондирования Земли..................................................................39

2.2., Разработка метода и алгоритмов обработки изображений с

использованием многомерного пространства..................................61

2.3. Программное обеспечение реализации разработанных метода и алгоритмов................................................................77

3. Экспериментальная проверка и апробация разработанных метода и алгоритмов..................................................82

3.1. Экспериментальное подтверждение эффективности применения выявленных новых дешифровочных признаков

при обработке гиперспектральных изображений..............................82

3.2. Апробация разработанных метода и алгоритмов на модели гиперспектрального снимка лесного участка.................................94

3.3. Проверка эффективности разработанных метода и

алгоритмов с помощью реальных гиперспектральных снимков...........117

Заключение...............................................................126

Библиографический список.........................................127

Введение.

Достижения в области технологий аэрокосмического мониторинга Земли и, в частности, леса в первую очередь обязаны достижениям космической техники и космического приборостроения. Для мониторинга лесов широко используются спутниковые данные низкого, среднего и высокого разрешения [8,45]. Лесные службы используют снимки с зарубежных КА: TERRA, Landsat (ЕТМ), SPOT, IRS, ERS(SAR), ENVISAT(ASAR) и снимки с российских КА: «Ресурс-01», «Метеор-ЗМ», «Монитор-Э». Все более широко используются данные сверхвысокого разрешения зарубежных КА: IKONOS, Quick-Bird, ALOS; российские потребители начали работы с данными К А «Ресурс-ДК». Помимо оптических данных для районов, покрытых облачностью большую часть года, используются радиолокационные данные. Поставкой космических снимков для отечественного рынка занимаются как государственные (ФГУП НЦ КМЗ, Госцентр «Природа»), так и коммерческие организации (ИТЦ Сканэкс, Совзонд и др.).[23,45]

Большой вклад в создание методов обработки космических снимков лесов внесли организации Рослесхоза (ВНИИЛМ, «Авиалесохрана», «Центрлеспроект», «Севзаплеспроект», «Запсиблеспроект»), академические институты (ИКИ РАН, ИРЭ РАН, ЦЭПЛ РАН, ИЛ СО РАН), научные центры (ЦПАМ «АЭРОКОСМОС», НТЦ «Реагент»), вузы (МГУЛ, СПбЛТА, МарГТУ).[75,103]

Однако в настоящее время отчетливо проявился ряд факторов, сдерживающих развитие и внедрение технологий аэрокосмического мониторинга леса. Уровень методических разработок и практического применения, данных дистанционного зондирования в лесном хозяйстве остается недостаточным. Отсутствует координация научно-исследовательских и методических работ на отраслевом, межотраслевом и международном уровнях.[7,10]

Производственные организации, выполняющие лесоинвентаризационные работы слабо используют информацию аэрокосмических снимков.

Кроме того, данных полученных со снимков состоящих из малого числа спектральных каналов спектральных каналов(3-30 в зависимости от спутника), зачастую недостаточно для дешифровки с производственной точностью.

По данным отечественных и зарубежных исследований с каждым годом в мире все большим спросом пользуются гиперспектральные снимки с количеством каналов от 80 и выше [35]. Это отчетливо видно на рис. 1.1

1<и-п-

Рис. 1 1 Оценка спроса на различные типы данных Поэтому считается перспективным направлением использование именно таких снимков и актуальным совершенствование технологии их обработки.

В диссертации дается обзор состояния дистанционного зондирования Земли из космоса в мире и России, проводится анализ существующих методов обработки данных космического мониторинга и выбор наиболее перспективных направлений, описывается разработка новых методов и алгоритмов, на основе существующих наиболее перспективных, с целью

повышения информативности данных космического мониторинга, уменьшения влияния внешних факторов и автоматизации процесса дешифровки.

В первой главе дается краткий обзор состояния дистанционного зондирования Земли из космоса и анализ существующих методов обработки данных (методы исследований в оптическом диапазоне, геоинфмормационные методы, автоматизированные методы, алгоритмические методы, статистические методы). Все современные спектральные системы по количеству каналов и спектральному разрешению можно поделить на: односпектральные, многоспектральные, гиперспектральные и

ультраспектральные. При наблюдении Земли из космоса используют косвенные дистанционные методы, когда дешифровщик получает возможность получать информацию об изучаемом объекте дистанционно. Косвенные дистанционные методы измеряют не параметры объектов, а некоторые связанные с ними величины. В случае ДЗЗ аппаратура спутника регистрирует лишь интенсивность светового потока от объектов в нескольких участках оптического диапазона. Для обработки таких данных, требуются провести предварительные исследования, включающие в себя математические вычисления и наземные эксперименты.

В качестве вывода приводятся наиболее перспективные методы и направления для дальнейшей модернизации и развития дистанционного зондирования Земли с помощью снимков сверхвысокого разрешения.

Во второй главе приводится теоретическое обоснование и описание метода представления гиперспектральных данных и обработки гиперспектральных данных.

Метод представления и обработки гиперспектральных данных, основанный на статистических методах обработки данных, п-мерном пространстве и цифровом представлении отражательных способностей предметов.

Данный метод позволяет получить признаки, которые дают возможность разделить на снимке все пиксели, а не только большое скопление сходных по

характеристикам массивов. Подобный подход позволяет решать более специализированные задачи, нежели большинство других методов.

В третьей главе проводится апробация и экспериментальная проверка разработанного метода на модели космических снимков и на реальном снимке с помощью разработанного программного обеспечения ОЕБН.

В этой главе описывается программное обеспечение БЕБН, принцип построения и расчета шумовых характеристик для кривых отражательных способностей, статистический анализ и проверка эффективности разработанного метода на модели космических снимков. Рассматривается влияние на разработанные методы внешних факторов (шумов, трендов, освещения).

Описывается моделирование и влияние внешних факторов действующих как на весь сигнал при съемке из космоса, так и на отдельные участки на снимке. Для моделирования внешних факторов будем сдвигать эталонный график вверх или вниз по оси Оу, то есть изменять отражательную способность каналов, причем изменять будем отражательную способность не всех каналов и не на определенную величину или по определенному закону, а случайным образом.

Для проверки в реальных условиях научно-техническим центром «Реагент» был предоставлен гиперспектральный снимок, состоящий из 287 каналов в диапазоне от 300 до 900 нм, с пространственным разрешением 1,8 м. Для оценки полученных результатов были также предоставлены наземные (априорные) данные того же участка, который изображен на снимке с подробным описанием количественных и качественных характеристик пород и объектов на снимке. Для определения на снимке были взяты следующие 7 пород: лен, лен с сорняками, лежь, рожь, рижик, пшеница, крапива. Также в отдельный класс была выделена лесополоса, точных данных по которой предоставлено не было. Из гиперспектрального снимка была выделена спектральная яркость каждой породы в каждом пикселе каждого канала, и по

этим данным построены кривые отражательных способностей вышеуказанных пород.

Далее, используя наземные (априорные) данные и гиперспектральный снимок, был создан и занесен в программное обеспечение эталонный образец дешифровки. На следующем гиперспектральный снимок был введен в программное обеспечение, проведена его обработка и сравнение результатов с эталоном. Этот же снимок был обработан несколькими наиболее используемыми в настоящий момент методами для сравнения с результатами обработки новым методом. После сравнения результатов обработки нового и существующего метода можно сделать вывод, что новый метод более эффективен по сравнению с существующими на сегодняшний день.

1. Анализ современного состояния технических средств и методов обработки информации при дистанционном зондировании Земли и постановка задачи.

1.1 Современные технические средства мониторинга Земли из

космоса.

Бурное развитие систем дистанционного зондирования Земли как в плане интенсивного роста числа спутников, оснащенных съемочной аппаратурой, так и в смысле качественного совершенствования сенсоров и другой бортовой аппаратуры идет неравномерно, сопровождается революционными скачками в одних направлениях и отставанием, информационным дефицитом - в других. Только за последние несколько лет запущено 11 коммерчески доступных спутников дистанционного зондирования Земли, причем темпы явно нарастают: 2004 г. - 1 запуск (Formosat-2), 2005 г. - 2 (IRS Р5 и Монитор-Э), 2006 г. - 4 (Ресурс-ДК, Kompsat-2, EROS-B, ALOS). В 2007 г. уже осуществлен успешный запуск 4 аппаратов -Cartosat-2, TerraSAR-X, CosmoSkyMed-1, WorldWiew-1, причем планируется запуск еще трех аппаратов - GeoEye-1, RADAR-SAT-2, CosmoSkyMed-2.[45] Совершенствуются характеристики аппаратов и бортового оборудования, при этом есть и революционные сдвиги:

- появление радарных систем сверхвысокого разрешения - до 1м (TerraSAR-X и CosmoSkyMed);

- двукратное расширение в течение 2006-2007 гг. группировки оптических спутников сверхвысокого разрешения, с 2003 года неизменно включавшей три спутника (QuickBird, IKONOS, OrbView-3), до шести аппаратов (запущены Ресурс-ДК, EROS-B, Kompsat-2 и Cartosat-2), даже, несмотря на досрочное прекращение в начале 2007 года функционирования К A OrbView-3;

- формирование группы аппаратов, специально нацеленных на стереокартографирование земной поверхности (IRS Р5 и ALOS);

- появление спутника Рогтоза1:-2, гарантирующего ежедневную съемку любого участка - земной поверхности (за исключением облачных дней) с достаточно высоким разрешением (до 2 м);

- запуск аппарата АЬ08 с максимально комплексным оборудованием для съемки земной поверхности (мультиспектральный сенсор и панхроматический инструмент с тремя объективами, а также поляриметрический радар с синтезированной апертурой).[72]

Эволюционно увеличивается:

- среднее пространственное разрешение оптических КА как в панхроматическом, так и в мультиспектральном режиме;

- оперативность размещения и выполнения заказа и временное разрешение (время, за которое- может быть осуществлена повторная съемка) как для оптических, так и для радарных спутников;

- производительность бортового оборудования, позволяющая повышать съемочные возможности аппаратов. Учитывая ближайшие планы запуска спутников ДЗЗ, можно с уверенностью спрогнозировать еще несколько сдвигов:

- увеличение максимального разрешения оптических снимков в коммерческом доступе до 40-50 см;

- улучшение качественных характеристик принимаемых данных и в первую очередь точности геопозиционирования до 3 м по орбитальным данным;

- появление целой плеяды радиолокационных спутников сверхвысокого разрешения, обеспечивающих всепогодную съемку любого участка Земли с разрешением до 1 м и построение высокоточных цифровых моделей рельефа [10,72];

- увеличение временного разрешения для всех типов аппаратов ДЗЗ до 1 суток;

- резкое повышение производительности всех типов спутников, что позволит избежать «очередей» и «дефицита», сегодня имеющих место в первую

очередь на рынке данных сверхвысокого разрешения. Интегрируя все вышеперечисленные тенденции, а также учитывая успешное функционирование многих аппаратов, запущенных в прошлые годы (французская система SPOT, американская система EOS, индийская система IRS, европейские и канадские радиолокационные системы), складывается в целом очень позитивная картина динамичного развития мировой плеяды инструментов дистанционного зондирования Земли. Это, в самом деле, так, однако нельзя обойти вниманием и некоторые проблемы, пробелы в предлагаемых на рынке данных, не позволяющие удовлетворить весь спектр запросов населения и организаций, относящихся к различным отраслям. Основные зоны спроса, не удовлетворяемые в современных условиях [7,49,51]:

1.Регулярная (раз в неделю), недорогая (500 - 600 $ за сцену), многозональная (4 канала), широкозахватная (60-150 км) съемка среднего разрешения (10 - 20 м) с возможностью заказа. После обнаружения неполадок в мае 2003 г. сенсора ЕТМ+ на аппарате Landsat 7, снижения активности съемки радиометром ASTER с аппарата TERRA, неудачных запусков белорусского спутника «Белка» и российского «Монитор-Э» этот сегмент рынка значительно сузился. Практически на нем остались система SPOT и индийские ресурсные спутники, причем данные с двух этих систем, проходят далеко не по всем вышеперечисленным параметрам. Появление аппарата Formosat-2 и комплексной системы ДЗЗ ALOS частично решает эту проблему, однако также не в полной мере, и часть запросов, приходящих из таких отраслей народного хозяйства России, как лесное, сельское хозяйство, горнодобывающая промышленность и разведка полезных ископаемых остается неудовлетворенной [16,72]. Недостаточно данных для выявления природных ресурсов, мониторинга природных и антропогенных процессов, выявления экологических проблем, наблюдения за чрезвычайными ситуациями. Если говорить о перспективах в этой сфере, то они весьма туманны - не определен срок запуска Landsat 8, а несколько подобных

аппаратов, запущенных в последние два года и принадлежащие странам третьего мира (EgyptSat-1, SaudiSat-3 и др.), очевидно будут работать только на эти государства. [122,125,126]

2. Регулярная (раз в 2 недели) тепловая съемка среднего разрешения (5-50 м) с возможностью заказа. На сегодняшний день только 4 системы оснащены приборами для тепловой съемки, причем 3 из них хотя и имеют относительно высокое разрешение (60 м - Landsat 5 и 7, 90 м - ASTER), но функционируют недостаточно активно, имеют неполадки и не работают на заказ. Четвертая система - гиперспектрометр MODIS, установленный на спутниках системы EOS обладает ежедневной повторяемостью съемки, но при этом очень низким пространственным разрешением (1 км), что ограничивает возможность его использования при решении таких популярных задач, как контроль трубопроводов и теплотрасс, выявление мест сжигания природного газа, выявление природных и антропогенных тепловых аномалий, мониторинг теплового загрязнения водоемов и т.п. Видимых перспектив в этой сфере также не наблюдается, более того, выработка срока функционирования всех вышеназванных аппаратов грозит сокращением предложения в этом и без того узком сегменте рынка[11].

3. Гиперспектральная космическая съемка среднего разрешения (5-50 м) с возможностью заказа. Практически на сегодняшний день представлена только одним спутником ЕО-1, с установленным на нем инструментом Hyperion (220 каналов с разрешением 30 м), данные с которого доступны всем группам пользователей. В то же время, сложность размещения и выполнения заказа делает и этот единственный информационный источник достаточно скудным. Если на западе, в первую очередь в США, Канаде, Австралии, Евросоюзе, все три вышеназванных пробела хотя бы частично во�