автореферат диссертации по геодезии, 05.24.02, диссертация на тему:Технология автоматизированной обработки материалов многозональной аэрокосмической съемки

МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ГЕОДЕЗИИ И

КАРТОГРАФИИ

РГБ О;5.

"¿7 • На правах рукописи

МАРЧУКОВ ВЛАДИМИР СЕМЕНОВИЧ

Технология автоматизированной обработки материалов многозональной аэрокосмической съемки

05.24.02 - аэрокосмические съемки, фотограмметрия, фототопография

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

МОСКВА 1998

Работа выполнена на кафедре прикладной экологии Московского Государственного университета Геодезии и Каршграфии

Научный руководитель - кандидат физико-математических наук, профессор Малинников В.Л.

Официальные оппоненты - доктор географических паук,

профессор С.А. Сладкопевцев

кандидат технических наук, нач. отдела ЦНИИ НПО "Комета" Н.И. Аржаненко

Ведущая организация - В/ч 54023

Защита состоится 1998 г. в ¿Р час. на заседании

специализированного Совета К.063.01.02

в Московском Государственном Университете Геодезии и Картографии по адресу: 103064, г.Москва, Гороховый пер., 4 (ауд.321) '

С диссертацией можно ознакомиться в библиотеке МИИГАиК. Автореферат разослан "_ i0 " 1998 г.

Ученый секретарь .

диссертационного Совета Б. В. Краснопевцев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность проблемы. При обработке материалов дистанционного зондирования сруг задач, связанных с интерпретацией объектов на зональных изображениях зем-юй поверхности, требует при визуальном дешифрировании больших временных ¡атрат, обусловленных необходимостью обработки больших объемов данных и рудностью восприятия человеком информации, представленной на нескольких :нимках.

Автоматизированная интерпретация цифровых данных дистанционного зон-шрования позволяет существенно сократить временные затраты и повысить оперативность получения тематической информации. Использование компьютерной тех-(ики для дешифрирования изображений, представленных в цифровом виде, позво-шет реализовать алгоритмы совместной обработки нескольких изображений одного 1 того же участка местности. Автоматизированные цифровые методы интерпрета-Ц1 и изображений активно разрабатываются и исследуются и течении последних 30 [ет, однако ввиду сложности практической реализации и в настоящее время ощу-цается недостаток цифровых автоматизированных систем, необходимых для решетя ряда задач тематического дешифрирования зональных аэрокосмических снимков. Поэтому разработка технологии цифрового компьютерною дешифрирования ональных аэрокосмических снимков (АКС) для решения задач тематического де-иифрирования является актуальной.

1ель диссертационной работы была определена следующим образом: >азработать технологию совместного автоматизированною дешифрирования не-кольких геометрически совмещенных друг с другом зональных АКС для выделе-1ия классов объектов на местности.

1ля достижения поставленной цели было необходимо решим, следующие задачи: - выбрать и разработать алгоритмы получения модифицированных цифровых ешифровочных признаков;

- разработать технологическую схему выбора параметров классификатора и под-тожества цифровых признаков для" контролируемой классификации объектов на 1естности гиперпараллелепипедным методом;

- провести экспериментальное исследование и оценип. достоверность дешифри-ования на основе разработанной технологии.

Исходным материалом являлись зональные космические снимки в спек-ральных диапазонах 515-565 им, 635-690 им и 810-900 им масштаба 1:200000 тер-итории Московской области.

Научная новизна работы заключается в следующем:

- разработана технология выбора параметров классификатора для контролируемой кл! сификации гиперпараллелепипедным методом, особенностью которой является учет стат) тических характеристик всех классов объектов, представленных на изображении;

- разработана технологическая схема выбора подмножества цифровых признаков, основанная на оценке их распознавательных возможностей для сочетаний дешифрируемого класса объектов со всеми другими классами;

- получены экспериментальные оценки значений распознавательной возможности первич ных цифровых признаков в спектральных диапазонах 515-565 нм, 635-690 нм, 810-900 нм,

120 сочетаний объектов природного и антропогенного происхождения Истринского райо Московской области.

Практическая ценность работы. Разработано программное обеспечение (ПО), предназ! ченное для работы на персональных компьютерах, обеспечивающее выполнение контро; руемой классификации объектов на местности по зональным снимкам на основе подход разметки точек изображения и выделения границ однородных областей. Разработанное Г к технология дешифрирования использовались в НИИ Точных приборов г.Москва при I полнении работ по ОКР "Смесь". Разработанные технология и ПО положены в основу к; са лекций и практических занятий "Компьютерное тематическое дешифрирование аэ] космических снимков ", читаемого автором для студентов 5 курса ФПК МосГУГК , и так образом внедрены в учебный процесс. На защиту выносятся:

1. Технология выбора параметров классификатора для контролируемой классификаи объектов на местности гиперпараллелепипедным методом.

2. Технологическая схема выбора подмножества цифровых признаков.

3. Разработанное оригинальное программное обеспечение для контролируемой классик кации зональных изображений и результаты экспериментального исследования дешиф| рования на примере Истринского района Московской области.

Апробация работы

В ходе выполнения диссертационной работы основные результаты обсуждались:

- на конференции "Проблемы создания систем обработки, анализа и понима! изображений", Ташкент, 1991;

- на Международной конференции "Статистические методы в теории пepeдaч^ преобразования информационных сигналов", Киев, 1992;

- на Международном научно-техническом семинаре "Моделирование и контроль : чества в задачах обеспечения надежности радиоэлектронных устройств", Шауляй, 1992;

- на Научно-техническом семинаре "Прикладные интеллектуальные системы", Москва, 1992;

- на XII Международной школе морской геологии, Москва, 1997;

- на Всероссийской научно-практической конференции (24-27 февраля 1998г. пос.Зеленый Московской области).

Публикации.

По теме диссертационной работы опубликовано_печатных работ.

Структура и объем диссертационной работы.

Работа состоит из введения, 4 глав, заключения, библиографии.

Диссертация изложена на 143 страницах основного текста, содержит 16 рисунков и таблиц. Библиография включает .",4 наименований на Я

страницах. _

Краткое содержание работы.

Введение. Во введении обосновывается актуальность темы диссертации, формулируются цели работы, ее научное и практическое значение.

В главе 1 рассматриваются:

- отечественные и зарубежные средства дистанционного зондирования земной поверхности космического базирования, использующие датчики, работающие в различных диапазонах электромагнитного спектра;

- методы цифрового дешифрирования изображений.

Рассмотрены преимущества и недостатки методов дистанционного зондирования, использующих разные участки диапазонов электромагнитного спектра. Приведены технические характеристики аппаратуры получения данных дистанционного зондирования отечественных спутниковых средств и ИСЗ системы ЬЛМОЗАТ.

Аналитический обзор цифровых методов показал, что методики цифрового дешифрирования изображений должны использовать информацию о механизме формирования классов объектов, представленных на изображении. Учет структуры изображения состоит в определении того, какие объекты можно выделить на изображении, насколько они элементарны и в каких отношениях пребывают эти объекты. Ввод структурной информации осуществляется путем построения модели изображения в виде структуры более простых объектов. Процесс дешиф-эирования имеет многоуровневый вид, при котором исходное изображение треобразуется в изображение, относящееся к другому морфологическому уровню, полученное изображение может также подвергаться преобразованию и гак далее причем выбор выходного изображения определяется требованиями к }езультатам при решении конкретной задачи.

Методики дешифрирования изображений включают в себя помимо алгоритма собственно классификатора, ряд алгоритмов преобразования изображения к виду, удобному для распознавания.

Алгоритмы классификации изображений на основываются двух общих подходах: классификации путем выделения границ однородных областей, использующей "разрывность" свойств точек изображения при переходе от одной области к другой, и классификации путем разметки точек изображения. Классификация путем выделения границ однородных областей не обеспечивает идентификацию выделенных однородных областей с определенными объектами на местности. Алгоритмы разметки точек изображения позволяют осуществлять идентификацию выделенных однородных областей.

Анализ показал, что наиболее распространенные методы классификации изображений путем разметки его точек такие как пороговая обработка, кластер-анализ, релаксационная разметка и наращивание областей алгоритмы имеют эмпирически подбираемые параметры, влияющие на качество результата. Во всех алгоритмах присутствует в том или ином виде операция пороговой обработки. Выбор пороговых значений осуществляется чаще всего экспериментально. В публикациях отсутствуют схемы выбора параметров классификатора.

В главе 2 изложена разработанная технология выбора параметров классификатора и совокупности цифровых признаков для контролируемой классификации гиперпараллелепипедным методом, обоснован выбор необходимого для решения этой задачи алгоритмического и программного обеспечения.

При цифровой обработке нескольких зональньрс снимков объектом классификации является элементарная точка изображения (пиксел), которая характеризуется первичными цифровыми признаками Ъ\, представляющими собой интенсивность (яркость) поля в рассматриваемой точке для 1-го спектрального диапазона. Целью классификации является определение принадлежности каждой точки изображения некоторому классу, идентифицируемому, как определенный класс объектов на местности.

Исходной информацией для процедур классификации могут быть, как Ь (Ь- число спектральных каналов) первичных признаков, так и ряд модифицированных признаков, представляющих собой значения интенсивности обработанных (модифицированных) исходных изображений.

Анализ методов классификации в рамках подхода на основе разметки точек изображения показал, что методы кластер-анализа, наращивания областей и релаксационной разметки отличаются сложностью в вычислительном отноше-

нии и требуют больших временных затрат, связанных с необходимостью многократной обработки выборок сверхбольшой длины при использовании кластер-анализа и релаксационных алгоритмов и с дополнительными затратами времени при обработке иерархических структур алгоритмами слияния-расщепления. Во всех методах используются эмпирически подбираемые параметры, влияющие на качество получаемого результата. Экспериментальный выбор подбираемых параметров требует многократного применения используемых алгоритмов, что обуславливает неприемлемо высокие временные затраты.

Учитывая изложенное, для решения задачи классификации посредством разметки точек изображения выбран метод пороговой обработки. Целесообразно использование, как глобальной пороговой обработки, так и локальной для выде-пения классов, цифровые значения признаков которых непостоянны по полю изображения. .. . -

Для вычисления пороговых значений Тк ,шп и Тк тах при выделении класса К предложена формула, использующая результаты статистического анализа эталонных участков выделяемого класса и ближайших к нему классов, выведения по методу максимального правдоподобия в предположении о нормальном тконе распределения внутри классов, ¿к '»к-1 + 4-1 "'к

Тклнп — _

dk-i + dk dkmk+i + dk+imk

1 kmax

dk + dk+i

де mk - среднее значение признака для класса К

dk - среднее квадратичное отклонение признака для класса К

mk_i - среднее значение признака для ближайшего к классу К класса «еньшей интенсивности

dk_i - среднее квадратичное отклонение признака для ближайшего к классу v класса меньшей интенсивности

mk+i - среднее значение признака для ближайшего к К класса большей ин-енсивности

dk+i - среднее квадратичное отклонение признака для ближайшего к К ласса большей интенсивности.

В качестве обобщения порогового метода для совместной обработки несколь-их изображений, представленных в виде векторного поля признаков, выбран

- и -

гиперпараллепипеднын метод, при котором каждый класс объектов определяется некоторым интервалом значений, в п - мерном векторном пространстве.

Для получения модифицированных признаков с лучшей разделяемостью классов исходные изображения в ряде случаев целесообразно подвергнуть сглаживающей фильтрации, снижающей среднее квадратичное отклоненне протяженных объектов. Для достижения этой цели по результатам сравнительного анализа выбраны следующие алгоритмы:

- фильтрация скользящим средним;

- адаптивное усреднение с выбором зоны свертки со средним значением наиболее близким значению в рассматриваемой точке;

- медианная фильтрация.

Фильтрация скользящим средним обеспечивает наиболее эффективное снижение среднее квадратичное отклонение, однако размывает границы областей, адаптнвное усреднение обеспечивает лучшее сохранение перепадов, снижая среднее квадратичное отклонение, медианная фильтрация наиболее эффективна для устранения импульсных помех.

В качестве алгоритма получения тоновых градиентных изображений выбран оператор Собеля, обеспечивающий высокую вероятность правильной классификации перепадов и малочувствительный к изменению их ориентации.

Получение модифицированных признаков, в том числе содержащих структурную и контекстную информацию, возможно путем применения линейной комбинации фильтров, определенной следующим образом.

11>сть Ак ( к=1, ..., К) - различные апертуры. Комбинированный линейный фильтр задается следующим выражением.

К

Уи = X Ьк фильтр (X у ),

к=1 Ак

где Ьк - некоторые коэффициенты.

Для реализации комбинированного линейного фильтра в состав алгоритмического обеспечения помимо операторов собственно фильтров с разными размерами апертур включены операторы сложения, вычитания, умножения и деления изображений. Последовательное применение этих операторов позволяет реализовать практически неограниченное число различных вариантов комбинированного линейного фильтра.

- и -

При классификации тонких линейных объектов применение традиционных снижающих среднее квадратичное отклонение фильтров не дает желаемых результатов. Поэтому был разработан оператор усреднения линий, работающий следующим образом. Для каждой точки изображений (¡,3) осуществляется вычисление средних значений по шести точкам восьми линий, начинающихся в точке (¡,.)) и пикселу (¡, }) присваивается среднее значение, разность с которым минимальна.

С целью получения модифицированного признака, содержащего информацию о сглаженности и зернистости в некоторой окрестности точек изображения в алгоритмическое обеспечение включен оператор, вычисляющий средние квадратичные отклонения и присваивающий его значение центральному элементу в скользящем квадратном окне.

При решении задачи сжатия и расширения объектов на изображении эффективно использование скользящих порядковых статистик, которые могут применяться и для снижения среднего квадратичного отклонения и подчеркивания перепадов, поэтому в состав алгоритмического обеспечения включен процентильный оператор.

Многочисленные экспериментальные исследования процедур автоматизированной классификации изображений показали, что успешное решение задачи достигаются не столько выбором классификатора, но в основном обеспечивается выбором параметров классификатора, формированием признаков и выбором их совокупности, используемой при классификации. Распознавательные возможности признака при разделении на 2 класса оцениваются по формуле:

аЬ5[т,(1)-тД1)] Щ1) =--------------

ад+ад

где

ЩДО) - распознавательные возможности признака 1 при разделении объектов классов

ш,(1) - среднее значение признака 1 для класса объектов г, ш,(1) - среднее значение признака 1 для класса объектов]; <1|(1) - среднее квадратичное отклонение признака 1 для класса объектов ¡; ад- среднее квадратичное отклонение признака 1 для класса объектов].

Для получения количественных оценок влияния распознавательной возможности

►

признака на точность классификации был построен график зависимости вероятности правильной классификации от распознавательной возмож-

ности признака при разделении на два класса по одному признаку посредством пороговой обработки в предположении, что распределение внутри каждого класса подчиняется нормальному закону (рис.1).

Р

0.5

/

/

/

0

i г з

Рис.1

Анализ приведенной зависимости показывает, что близкие к 1 значения вероятности правильной классификации получаются при значениях распознавательной возможности 2,5-3.

Высокая достоверность классификации при использовании гиперпараллелепипедного метода достигается путем' оптимального выбора пороговых значений и совокупности признаков. Для решения этой задачи была разработана технологическая схема, учитывающая структуру дешифрируемых изображений, основанная на статистическом анализе эталонных участков всех классов, представленных на изображении.

Выбор параметров классификатора и совокупности признаков при контролируемой классификации гиперпараллелепипедным методом состоит из следующих этапов.

1. Определение классов объектов, представленных на изображении^ выбор эталонных участков для расчета их статистических характеристик.

2. Определение по эталонным участкам средних значений и средних квадратичных отклонений первичных признаков для всех классов объектов..

3. Определение на основе средних значений т^ и средних квадратичных отклонений d^ дешифрируемого класса К для признака п начальных значений минимального Т^ min и максимального Т^ шах порогов по формулам:

Tkn min = mío, - 3 dkn Ткп max = mío, + 3 d^

4. Для всех сочетаний классифицируемого класса с другими классами расчет распознавательной возможности всех первичных признаков.

5. Выбор для каждого сочетания первичного признака с наибольшей распознавательной возможностью.

6. Если полученные в п.5 распознавательные возможности не обеспечивают гребуемую достоверность классификации, исходные изображения подвергаются обработке с целью получения модифицированных (вторичных) признаков с более высокой для данного сочетания классов распознавательной возможностью. Если удается получить такой признак, он выбирается вместо признака, выбранного в п.5 и присоединяется к совокупности признаков, используемой при классификации, в противном случае принимается решение об объединении этого сочетания классов в один класс.

7. Выбор для каждого признака сочетаний классифицируемого класса с классами меньшей и большей интенсивности, имеющими наименьшее значение распознавательной возможности, полученное в пунктах 5 или 6.

8. Расчет значений минимального и максимального порогов для классифицируемого класса по статистическим характеристикам классов, полученных в пункте 7.

Блок-схема приведенной технологии показана на рис.2.

Рассмотрены возможности использования для практической реализации предлагаемой технологии тематического дешифрирования программных средств ER MAPPER и разработанного автором пакета программ тематического дешифрирования. Отмечено, что возможности этих пакетов в части контролируемой классификации позволяют в полном объеме реализовать предлагаемую технологию.

В главе 3 описано автоматизированное дешифрирование на примере Истринского района Московской области и приведены результаты экспериментального исследования по обработке зональных АКС, полученных в спектральных диапазонах 515-565 нм, 635-690 нм, 810-900 нм с разрешающей способностью на местности Юм.

Визуальный анализ снимка и результаты полевых исследований показали, что исследуемая территория содержит следующие объекты природного и антропогенного происхождения:

1. хвойные леса;

2. ельники с примесью мелколиственных пород;

3. смешанные леса;

4. мелколиственные леса;

5. редколесье;

6. луга среднего увлажнения;

7. луга избыточного увлажнения;

8. луга сухие на хорошо дренируемых почвах;

9. луга слабого увлажнения;

10. водохранилище;

11. реки;

Рис. 2 БЛОК-СХЕМА ВЫБОРА ПАРАМЕТРОВ КЛАССИФИКАТОРА И СОВОКУПНОСТИ ПРИЗНАКОВ ДЛЯ ДЕШИФРИРУЕМОГО КЛАССА.

- -

12. поля, занятые кормовыми культурами;

13. гороховые поля;

14. распаханные участки земли;

15. автомобильные дороги;

16. населенные пункты сельского типа.

Для каждого класса объектов на основе данных визуального дешифрирования и результатов полевых исследований были выявлены эталонные участки (не менее 2), часть которых предназначена для определения параметров, используемых при классификации, другая часть для оценки точности дешифрирования соответствующих классов. По эталонным участкам были определены статистические характеристики дешифрируемых классов, которые использовались для расчета распознавательных возможностей первичных признаков.

При дешифрировании лесной растительности выделялись ее разновидности, определенные как классы 1-5. Используемые цифровые признаки и параметры классификатора,определенные по описанной выше технологии,приведены в табл. I. Таблица 1. Цифровые признаки и схема выбора параметров классификатора при дешифрировании лесной растительности.

Цифровые признаки Сочетания классов, используемых для расчета пороговых значений Классы

Исходное изображение 515-565 нм Обработанное медианным фильтром 5 х5 изображение 635-690 нм Обработанное медианным фильтром 7x7 изображение 810-900 нм ( 1 - 10)->Тт„ ( 1 -9)->Тгоа, ( 1 -2)->Тт„ Класс 1 еловые леса

Исходное изображение 635-690 нм Обработанное медианным фильтром 7 х7 изображение 810-900 нм ( 2 - 9 ) Т тм ( 1 -2)->Тщ|П ( 2 - 3) Т ш«х Класс 2 ельники с примесью мелколиственных пород

Обработанное медианным фильтром 7 х7 (3-9)->Т™ Класс 3

изображение 635-690 нм

смешанные

Обработанное медианным фильтром 7 х7 (2-3)->Ттш леса

изображение 810-900 нм (3-4)->Ттм

Обработанное медианным фильтром 7 х7 изображение 635-690 нм Обработанное медианным фильтром 7 х7 изображение 810-900 нм ( 4 - 9 ) -> Т тах ( 3 - 4 ) -> Т т;„ ( 4 - 5 ) -^Ттах Класс 4 мелколиственные леса

Обработанное медианным фильтром 7 х7 изображение 635-690 нм Обработанное медианным фильтром 7 х7 изображение 810-900 нм ( 5 - 14 ) Т ши ( 4 - 5 ) Т т;п Класс 5 редколесье

Использование обработанных медианными фильтрами с разными размерами апертуры исходных изображений позволило получить модифицированные признаки со значениями распознавательной возможности для соответствующих сочетаний классов близкими к 3, за счет снижения средних квадратичных отклонений внутри классов. Выбор размера апертуры медианного фильтра производился с целью повысить распознавательную возможность до значений близких к 3 с учетом того, что увеличение размера апертуры приводит, как правило, к снижению средних квадратичных отклонений внутри классов , но в тоже время сглаживает мелкие детали границ однородных областей и, следовательно, ухудшает точность дешифрирования тонкой структуры граненых участков.

При дешифрировании лугов выделялись их разновидности, определенные как классы 6-9. Анализ распознавательных возможностей первичных признаков для различных сочетаний классов лугов показал низкие значения сочетаний классов 6 (луга среднего увлажнения), 8 ( луга сухие на хорошо дренируемых почвах ), 9 ( луга слабого увлажнения ) с классами II ( реки ), 15 ( автомобильные дороги). Различные виды обработки исходных изображений также не привели к получению модифицированных цифровых признаков с достаточно высокими ( близкими 3) значениями распознавательной возможности. Поэтому при дешифрировании лугов построение классификатора осуществлялось без учета сочетаний этих классов. Цифровые признаки и схема выбора параметров классификатора при дешифрировании лугов приведены в табл. 2.

Таблица 2. Цифровые признаки и схема выбора параметров классификатора при

дешифрировании луговой растительности.

Цифровые признаки Сочетания классов, используемых для расчета пороговых значений Классы

Исходное изображение 515-565 нм (6- 13)^Ттах Класс 6

Исходное изображение 635-690 нм ( 6 - 9 ) -» Тт,п луга

Исходное изображение 810-900 нм ( 6 - 14 )-+ Ттах среднего

увлажне-

ния

Обработанное медианным фильтром изображение 5x5 изображение 515-565 нм Исходное изображение 635-690 нм Обработанное медианным фильтром изображение 5x5 изображение 810-900 нм ( 7 - 10 )-> Ттах ( 2 - 7 ) -> Тт!п ( 7 - 8 ) -> Ттах ( 7 - 9 )-> Ттах Класс 7 луга избыточного увлажнения

Обработанное медианным фильтром изображение 5x5 изображение 515-565 нм Исходное изображение 635-690 нм Обработанное медианным фильтром изображение 7x7 изображение 635-690 нм Исходное изображение 810-900 нм < 8 - 13 )-> Ттах ( 8 - 10 ) Ттт (8- 12 )-> Ттах ( 6 - 8 ) -» Т тм Класс 8 луга сухие на хорошо дренирован, почвах

Обработанное медианным фильтром изображение 7x7 изображение 635-690 нм Исходное изображение 635-690 нм Обработанное медианным фильтром изображение 7x7 изображение 810-900 нм Исходное изображение 810-900 нм ( 3 - 9 )-> Тт;п ( 6 - 9 ) Т тах (7-9)->Т^п (9 - 14 ) -> Т тах Класс 9 луга слабого увлажнения •

Дешифрирование водохранилища (класс 10) осуществлялось гиперпаралле-епипедным методом по вышеприведенной схеме, цифровые признаки и схема ыбора параметров классификатора приведены в табл.3.

Таблица 3. Цифровые признаки и схема выбора параметров классификатора при дешифрировании водохранилища.

Цифровые признаки Сочетания классов, используемых для выбора пороговых значений Классы

Обработанное медианным фильтром 5x5 изображение 515-565 нм Исходное изображение 635-690 нм Обработанное медианным фильтром 5x5 изображение 810-900 нм < 7 - 10 ) -> Тт„ ( 8 - 10 ) —> Т тах (9 - 10 ) Ттах Класс 10 водохранилище

Для дешифрирования класса 11 (реки) был ' сформирован модифицированный цифровой признак, учитывающих структурные особенности класса, как линейного объекта толщиной не более 3 пикселов, темного на светлом фоне в диапазоне 810-900 нм.

Блок-схема формирования модифицированного признака для дешифрирования класса "реки".

Так как распознавательные возможности модифицированного признака недостаточны для дешифрирования класса 11 глобальными методами, для его выделения использовалась локальная пороговая обработка.

Дешифрирование сельскохозяйственных угодий проводилось гиперпараллелепипедным методом. Выделялись классы 12 и 13. Цифровые признаки и схема выбора параметров классификатора приведены в табл. 4.

Таблица 4. Цифровые признаки и схема выбора параметров классификатора при дешифрировании сельскохозяйственных угодий.

Цифровые признаки Сочетания классов, используемые для выбора пороговых значений Классы

Исходное изображение 515-565 нм ( 12 - 13) -» Тшм Класс 12

поля, занятые

Обработанное медианным фильтром ( 8 - 12 ) —» Тт.« кормовыми

7x7 изображение 635-690 нм культурами

Обработанное медианным фильтром ( 8 - 13 ) -» Ттт Класс 13

5x5 изображение 515-565 нм гороховые

поля

Исходное изображение 635-690 нм ( 13- 14)-»Тыл

При дешифрировании антропогенных объектов классификации подлежали распаханные участки земли, ( класс 14 ), автомобильные дороги ( класс 15 ) и населенные пункты сельского типа ( класс 16 ). Для класса 16 не удалось сформировать модифицированные цифровые признаки с достаточной для достоверного дешифрирования распознавательной возможностью для его сочетаний с классами 6 ( луга среднего увлажнения ), 8 ( луга сухие на хорошо дренируемых почвах) и 9 ( луга слабого увлажнения). Автоматизированное дешифрирование этого класса не проводилось.

Класс 14 (распаханные участки земли) дешифрировался гиперпараллелепипедам методом. Цифровые признаки и схема выбора параметров классификатора представлены в табл. 5.

Таблица 5. Цифровые признаки и схема выбора параметров классификатора при де-цифрировании класса 14 .распаханные участки земли.

Цифровые признаки Сочетания классов, используемых для расчета пороговых значений Классы

Обработанное медианным фильтром 5x5 изображение 635-690 нм Исходное изображение 810-900 нм • (5-14)-» Тт,„ (6- 14)-»Ттш Класс 14 распаханные участки земли

- ^ -

Для выделения класса 15 (автомобильные дороги) были сформированы два модифицированных признака путем обработки изображений в диапазонах 515565 им и 635-690 нм, учитывающих структуру класса, как линейного объекта более светлого чем фон.

Блок-схема формирования цифровых признаков для выделения класса 15.

Классификация осуществлялась методом локальной пороговой обработки

по фрагментам изображения с использованием модифицированного признака, имеющего большее значение распознавательной возможности в этом фрагменте.

Результаты дешифрирования по разработаннрй технологической схеме выбора цифровых признаков и пороговых значений для гиперпараллелепипедного метода показали возможность выделения большинства протяженных объектов (за исключением населенных пунктов сельского типа), при использовании в качестве цифровых признаков исходных и обработанных медианными фильтрами с разными размерами апертуры. Выбор апертуры осуществлялся на основе оценки распознавательной возможности получаемого модифицированного признака с целью получения значений в интервале 2,5 - 3.

Для дешифрирования классов, представляющих собой линейные объекты, формировались модифицированные цифровые признаки посредством обработки исходных изображений линейным комбинированным фильтром. Размер апертур фильтров, входящих в комбинированный фильтр, выбирался исходя из учета толщины классифицированных линейных объектов. В качестве классификатора использовался метод локальной пороговой обработки.

В главе 4 изложены результаты анализа экспериментальных результатов и воз-южности практического применения разработанной технологии автоматизированного .ешифрирования. Для оценки качества классификации использовалась вероятность равильной классификации класса К , определяемая следующим образом. По кон-рольному участку ( участкам ) класса К определяются его площадь в пикселах Бь и ко-ичество пикселов N1, отнесенных по результатам классификации к классу К. По кон-рольному участку ( участкам ) класса <3 с минимальным значением максимальной рас-ознавательной возможности его сочетания с классом К определяются площадь кон-рольного участка в пикселах Бц и количество пикселов Мч, отнесенных по результа-ам классификации к классу К. Вероятность правильной классификации класса К Р* пределяется по формуле Нк+(8с-1Чч)

Рк = ...................

Бк +

Экспериментальная оценка вероятности правильной классификации показала сле-ующие результаты:

- еловые леса ( для сочетания с классом "ельники с примесью мелколиственных ород") - 97 %;

- ельники с примесью мелколиственных пород ( для сочетания с классом. :мешанные леса") - 93 %;

- смешанные леса ( для сочетания с классом " ельники с примесью мелколиствен-ых пород") - 94 %;

- мелколиственные леса (для сочетания с классом "редколесье") - 96 %;

- редколесье (для сочетания с классом "мелколиственные леса") - 95 %.

- луга среднего увлажнения (для сочетания с классом "распаханные участки зем-1") - 97 %;

- луга избыточного увлажнения (для сочетания с классом "луга слабого увлажне-1я") - 92 %;

- луга луга сухие на хорошо дренируемых почвах (для сочетания с классом "поля, сеянные кормовыми культурами") - 91 %;

- луга слабого увлажнения ( "для сочетания с классом "смешанные леса") - 91 %. - водохранилище (для сочетания с классом "луга слабого увлажнения")-92 %.

»

- поля, засеянные кормовыми культурами (для сочетания с классом "луга хие на хорошо дренируемых почвах") - 92 %;

- гороховые поля (для сочетания с классом "луга сухие на хорошо дренируемых >чвах") - 93 %.

- распаханные участки земли (для сочетания с классом "редколесье")- 93 %.

- река - 84 %;

- ¿и -- автомобильные дороги - 81 %.

Использование обработанных медианными фильтрами исходных изображении позволило повысить вероятность правильной классификации протяженных объектов. Отмечено, что при этом понизилась точность дешифрирования тонкой структуры границ классифицируемых ландшафтных единиц. Снижение точности выявления тонкой структуры границ равно в пикселах половине линейного размера апертуры используемого медианного фильтра.

Анализ результатов показал, что разработанная технология автоматизированного дешифрирования АКС позволяет обеспечить:

многостороннее и целенаправленное картографирование природных комплексов; согласование дешифрирования различных объектов на местности и их единообразную локализацию в картографическом изображении.

Экспериментальное исследование и оценка точности автоматизированной технологии дешифрирования показали целесообразность ее использования в качестве одного из этапов при: составлении ландшафтных карт; картографировании лесного фонда; картографировании гидрографии; выявлении неиспользуемых земель; картографировании использования земельных ресурсов; районировании территории.

Особенно эффективно использование разработанной технологии при создании серий взаимосогласованных тематических карт.

Разработанная технология имеет ценность не только, как один из этапов комплексного картографирования, но и как самостоятельный метод обработки и представления результатов космического дистанционного зондирования Земли в виде цифровых классифицированных изображений.

Заключение.

В выполненной работе были получены следующие основные результаты:

1. Разработана технология выбора параметров классификатора и подмножества цифровых признаков для цифровой классификации гштерпараллелепипед-ным методом изображений земной поверхности, полученных в различных диапазонах электромагнитного спектра.

2. Разработаны алгоритмы формирования модифицированных цифровых признаков, использующих структурную информацию, для классификации линейных объектов различной толщины.

3. Определены экспериментальные оценки значений распознавательной возможности изображений в диапазонах 515-565 нм, 635-690 нм и 810-900 нм для 120 сочетаний объектов на местности Истринского района Московской области.

4. Для изображений в диапазонах 515-565 нм, 635-690 нм и 810-900 нм определены алгоритмы формирования модифицированных цифровых признаков и выбраны подмножества признаков для дешифрирования 5 классов лесной растительности, 4 классов лугов, 2 классов полей, распаханных участков земли, автомобильных дорог и гидрографии.

5. Экспериментальный анализ точности автоматизированного дешифрирования показал возможность и целесообразность использования разработанной технологии при создании серий взаимосогласованных тематических карт.

6. Разработанное программное обеспечение позволяет реализовать автоматизированное дешифрирование объектов природного и антропогенного происхождения по зональным АКС на персональном компьютере.

Публикации по теме диссертации.

1. Отношение сигнал-шум при корелляционном анализе двумерных изображений // Автоматизация процессов сбора и обработки информации. Научно-методические материалы ВВИА им. Н.Е.Жуковского.. Москва 1989 г. с. 71. Со-авт. Д.К.Сигитов, В.Т.Федин.

2. "Алгоритм восстановления радиотепловых изображений". Тезисы док; дов Всесоюзной конференции "Методы и средства дистанционного зондиро! ния Земли и обработки космической информации в интересах народного > зяйства. Рязань, 1989 г. Часть 2 с. 36. Соавт И.Г.Журкин, Д.К.Сигит< Ю.М.Черниговский.

3. "Пакет иследовательских программ для обработки и визуализации ци ровых изображений на ПЭВМ типа IBM PC АТ." Тезисы докладов конференц "Проблемы создания систем обработки, анализа и понимания изображенш Ташкент, 1991 г. с. 135. Соавт Б.Я.Алексеев, В.Г.Беликов.

4.. "Оценка эффективности многоспектральных оптико-электронных средств при совместной обработке информации" Тезисы докладов Международ ной научно-технической конференции "Статистические методы в теории перед чи и преобразования информационных сигналов". Киев, 1992 г. с. 68. Соавт В.Г.Беликов

5. Пакет прикладных программ обработки изображений произвольного размера на ПК типа IBM PC АТ". Тезисы докладов Международной научно-технической конференции "Статистические методы в теории передачи и преобразования информационных сигналов". Киев, 1992 г. с. 92.Соавт В.Г.Беликов

6. Аппаратно-програмный комплекс автоматизированной диагностики оп ратора ирцдологическими методами". Материалы Международного научн технического .семинара "Моделирование и контроль качества в задачах обеспеч ния надёжности радиоэлектронных устройств". Шауляй, 1992 г. с. 53. Coa Е.В.Баскакова, В.Г.Беликов.

7. Алгоритм локальной пороговой обработки для выделения точечных об ектов на изображении." Материалы научно-технического семинара "Прикладш интеллектуальные системы". Общество "Знание" РСФСР Москва, 1992 г. d. 1 Соавт В.Г.Беликов "

8. Влияние сейсмоактивных дислокаций континентальных окраин на сс стояние сооружений// Геология морей и океанов. Тезисы докладов XII Меж-

дународиой школы морской геологии.Том I. М., Г'еос,1997.С.248-249.Соавт. М.В.Шитикова, В.А.Мелкий.

9. Методические указания по выполнению лабораторных работ по курсу "Компьютерное тематическое дешифрирование аэрокосмических снимков" М; МосГУГК, 1997. 21с. Соавт . В.А.Мелкий, Ю.М.Черниговский, И.В.Сметанюк.

10. Создание экспертной геоэкологической системы на основе автоматизированного картографирования // Геоэкологическое картографирование. Тез.докл. Всероссийской научно-практической конференции (24-27 февраля 1998г. пос.Зеленый Московской области).Ч. 1. М., Геоинформмарк, 1998. с.137-139., Соавт. В.А.Мелкий, М.В.Шитикова.

11. Методика автоматизированного дешифрирования аэрокосмических изображений в целях создания основы геоэкологического картографирования // Геоэкологическое картографирование. Тез.докл. Всероссийской научно-практической конференции (24-27 февраля 1998г. пос.Зеленый Московской об-ласти).Ч. 2. М., Геоинформмарк, Ч. 2. , с.199-201., Соавт. В.А.Мелкий, М.А.Игрицов.

Подп. к печати 16.09.98 Формат 60x90 Бумага офсетная Печ. л. 1,5 Уч.-изд. л. 1,5 - Тираж 80 экз. Заказ №198 Цена договорная

МосГУГиК 103064, Москва К-64, Гороховский пер., 4