Содержание к диссертации
Введение
ГЛАВА 1. Современное состояние тематического дешифрирования космических изображений 10
1.1 Проблемы тематической обработки космических изображений 10
1.2 Современные системы дистанционного зондирования Земли 14
1.3 Основные алгоритмы и используемые программные продукты для тематической обработки данных дистанционного зондирования Земли
1.3.1 Основные понятия теории распознавания образов 21
1.3.2 Принципы построения систем распознавания образов 26
1.3.3 Предварительная обработка изображений 29
1.3.4. Алгоритмы классификации изображения 35
Выводы к первой главе 51
ГЛАВА 2. Спектральные характеристики природных и антропогенных образований 52
2.1 Основные характеристики природных и антропогенных образований 52
2.2 Отражательные спектральные характеристики различных типов подстилающей поверхности 62
2.2.1 Общепринятое деление природных объектов на классы 62
2.2.2 Спектральные характеристики растительности 65
2.2.3 Спектральные характеристики почв 69
2.2.4 Спектральные характеристики водных объектов и снега
2.3 Оценка информативности СКЯ. Интегральные показатели 74
2.4 Система п- мерных спектральных признаков 81
2.5 Устойчивость системы n-мерных спектральных признаков к
воздействию внешних факторов Выводы ко второй главе... 89
ГЛАВА 3. Разработка методики автоматизирован -ного дешифрирования космических изображений земной поверхности с использованием системы мерных спектральных признаков . 90
3.1 Общее описание разрабатываемой методики 90
3.2 Методика автоматизированного дешифрирования космических изображений земной поверхности с использованием системы п-мерных спектральных признаков 92
3.3 Количественная оценка полученных результатов 106
3.4 Средства реализации.предлагаемой методики 107
Выводы к третьей главе 111
ГЛАВА 4. Эксперементальные исследования и применение разработанной технологии ... 112
4.1 Характеристика материалов эксперимента и применение разработанной методики выделения объектов 112
4.2 Сравнение полученных результатов- с уже существующими методиками дешифрирования 128
4:3 Применение предлагаемой методики; дешифрирования космических изображений с других КА. 132
4.4 Применение разработанной технологии для создания электронных экспресс карт. 141
Выводы к четвертой главе 149
Заключение
Литература
- Основные алгоритмы и используемые программные продукты для тематической обработки данных дистанционного зондирования Земли
- Отражательные спектральные характеристики различных типов подстилающей поверхности
- Методика автоматизированного дешифрирования космических изображений земной поверхности с использованием системы п-мерных спектральных признаков
- Сравнение полученных результатов- с уже существующими методиками дешифрирования
Введение к работе
Актуальность проблемы:
В настоящее время широкое развитие получили космические системы дистанционного зондирования Земли (ДЗЗ). За всем происходящим на ее поверхности ежесекундно наблюдают сотни спутниковых систем с различного рода разрешением и спектральным диапазоном, каждая из которых решает определенные природно-ресурсные задачи. Обработка данных дистанционного зондирования достаточно трудоемкий процесс, он состоит из нескольких этапов предварительной, первичной и вторичной (тематической) обработки. Получение информации об объектах местности по материалам космических съемок для выполнения различного рода тематической обработки выполняется на этапе дешифрирования. Тематическое дешифрирование аэрокосмических изображений для задач мониторинга и картографирования традиционно опирается на визуально инструментальные и автоматизированные методы. Следует отметить, что процесс визуально инструментальной обработки весьма трудоемок и субъективен. При этом сроки выполнения и качество полученной информации определяются главным образом общей эрудицией и квалификацией специалистов, уровнем развития у них профессионально необходимых психофизических качеств, а главное опытом. Поэтому вполне объяснимо стремление к максимальной автоматизации процесса обработки аэрокосмической информации.
В настоящее время существует большой опыт автоматизированной обработки и анализа цифровых изображений. Часть автоматизированных методов реализована и успешно применяется в процессе интерактивного дешифрирования аэрокосмической информации. Одной из главных задач ученых в данном направлении является поиск таких прямых и косвенных дешифровочных признаков, при которых результат автоматизированного дешифрирования будет наиболее устойчив к изменениям условий аэрокосмической съемки исследуемых объектов на земной поверхности.
Классификация многозональных космических изображений с использованием большинства современных программных средств (Erdas Imagine, ENVI, EDRISIW, Er Mapper и т.д.), ведется по спектральным коэффициентам яркости (СКЯ), но спектральные характеристики природных образований не всегда позволяют однозначно разделить два объекта между собой. Это связано с сильной корреляцией спектральных характеристик различных классов объектов в одних и тех же диапазонах спектра, что приводит к ошибочному распознаванию классифицируемых объектов. Кроме того, СКЯ и их линейные производные очень чувствительны к условиям космосъемки (геометрические условия освещения и визирования объектов, угол поля зрения прибора, атмосферно-оптические явления (дымка, облачность и т.д.)). Все это и многое другое оказывает существенное влияние на результат тематического дешифрирования.
Актуальность диссертационной работы, таким образом, обусловлена:
Необходимостью повышения достоверности результатов классификации объектов и ускорения процесса тематического дешифрирования цифровых изображений земной поверхности;
Необходимостью разработки соответствующих автоматизированных технологий тематической обработки космических изображений.
Цель исследования: разработка методики и технологии автоматизированной тематической обработки многозональных космических изображений земной поверхности на основе системы n-мерных спектральных признаков.
Задачи исследования:
-
Провести исследования дешифровочных свойств исходных многозональных изображений и их производных цифровых изображений, полученных с помощью системы n-мерных спектральных признаков;
-
Разработать алгоритмы тематической классификации отображений космических изображений в n-мерном пространстве спектральных признаков для реализации процесса автоматизированного дешифрирования космических изображений;
-
Разработать с использованием стандартных средств программного комплекса ERDAS Imagine 9.2 технологию тематического дешифрирования, реализующую предложенные алгоритмы классификации космических изображений;
-
Провести сравнительный анализ результатов работы предлагаемой методики автоматизированного тематического дешифрирования объектов с уже существующими стандартными методиками;
-
Исследовать возможность использования разработанной методики автоматизированного тематического дешифрирования объектов для обработки аэрокосмических изображений, получаемых с различных космических съемочных систем.
Объект исследования: автоматизированное тематическое дешифрирование многозональных космических изображений земной поверхности.
Предмет исследования: система n-мерных спектральных дешифровочных признаков, используемая для автоматизированной классификации многозональных космических изображений земной поверхности.
Методология исследования
Проведенные в диссертационной работе теоретические исследования основаны на методах теории вероятностей и математической статистики, вычислительной математики, теории обработки цифровых изображений, методах цифрового моделирования, компьютерной графики и ГИС-технологий. При решении поставленных задач использовались данные о спектральных характеристиках природных образований, получивших широкое развитие в трудах Е.Л. Кринова, Л.И. Чапурского и т.д.
Научная новизна работы заключается в следующем:
-
Разработаны новые алгоритмы и программы численных оценок n – мерных спектральных признаков природных и антропогенных объектов по материалам многозональной космической съемки.
-
Разработана методика тематического дешифрирования многозональных космических изображений, основанная на системе n-мерных спектральных признаков.
-
Разработана автоматизированная технология классификации многозональных космических изображений, реализующая предложенную методику тематической обработки цифровых изображений.
Достоверность результатов подтверждается:
-
Корректным применением математических методов и вычислительных средств теории вероятностей и математической статистики, вычислительной математики.
-
Научно-методическим обоснованием выбора характеристик спектральных свойств природных и антропогенных объектов.
Научные результаты выносимые на защиту:
-
Новые алгоритмы и программы численных оценок спектральных признаков природных и антропогенных объектов по материалам многозональной космической съемки.
-
Методика автоматизированного дешифрирования космических изображений земной поверхности с использованием системы n - мерных спектральных признаков.
-
Технология автоматизированного дешифрирования космических изображений земной поверхности, реализующая предложенную методику.
-
Результаты тестирования разработанных алгоритмов и программ, а также их сравнительная характеристика с расчетами в аналитических и численных моделях, полученными другими авторами.
Практическая значимость работы:
Предложенная методика автоматизированного тематического дешифрирования космических изображений земной поверхности с использованием системы n-мерных спектральных признаков может быть использован для задач прикладного картографирования. А именно, для создания экспресс карт, в сжатые сроки, по материалам космических съемок.
Соответствие диссертации Паспорту научной специальности:
Данная работа посвящена исследованиям n – мерных спектральных признаков различных классов объектов и их дешифровочных способностей, и разработке на их основе нового метода тематического дешифрирования многозональных космических изображений. Иными словами, работа посвящена разработке теоретических и практических принципов дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследований, что является одной из областей исследования специальности 25.00.34 Аэрокосмические исследования Земли, фотограмметрия, в рамках которой и предлагается к защите данная работа.
Апробация и реализация результатов исследования:
Основные положения диссертационной работы докладывались и обсуждались на 58,59,60,61,63,64 и 65 научно-технических конференциях студентов, аспирантов и молодых ученых, проводившихся в Московском государственном университете геодезии и картографии (МИИГАиК) в период с 2004-2010 г. Результаты выполненных исследований использовались при выполнении научно-исследовательских работ по теме «Географические исследования северных территорий России по материалам космических съемок» в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» (шифр 2009-1.1-154-069).
Публикации:
По результатам проведенных исследований и разработок, выполненных в процессе работы, опубликовано 3 научные работы.
Структура диссертации:
Диссертационная работа состоит из введения, 4 глав, заключения и списка литературы, который насчитывает 101 наименование. Объём работы 162 страницы текста, 15 таблиц, 52 иллюстрации и приложения на 23 страницах.
Основные алгоритмы и используемые программные продукты для тематической обработки данных дистанционного зондирования Земли
Дистанционные методы исследования природной среды относятся к бурно развивающейся отрасли. Их отличительной чертой является автоматическая регистрация и быстрое накопление первичной информации при медленных темпах ее переработки [47].
Дистанционное зондирование (ДЗ) - это получение информации о свойствах объектов или явлений с помощью регистрирующего устройства, не имеющего с ними непосредственного контакта. При изучении земной поверхности дистанционными методами носителем информации об объектах служит их собственное или отраженное излучение. При этом в последнем случае отражаться может как излучение Солнца, так и искусственное излучение, источник которого расположен на носителе регистрирующего устройства. В исследованиях окружающей среды, как правило, используют часть спектра электромагнитных волн в диапазоне длин 0.3 мкм - 3 м.
Дистанционное зондирование бывает трех видов: наземное, аэро (самолетное, вертолетное и т.д.) и космическое [8].
Методы съемки разделяются на фотографические, телевизионные, сканерные и радиолокационные [53,49,26,27,64,6]. В настоящее время наибольшее развитие получили именно сканерные системы. Фотографическая и сканерная съемка, в свою очередь, выполняется в спектрозональном, панхроматическом и многозональном вариантах. Панхроматическая съемка — съемка, выполненная в широком диапазоне спектра (во всем видимом диапазоне). Спектрозональная съемка — фотографирование местности с воздуха одновременно в нескольких зонах спектра электромагнитных волн. Многозональная съемка — фотографирование местности одновременно несколькими фотокамерами или многоканальными блоками, имеющими идентичные светотехнические характеристики объективов, в различных спектральных диапазонах. Для выделения спектральных зон перед объективами устанавливаются узкополосные (иногда интерференционные) светофильтры, подобранные под характеристики светочувствительных материалов[74].
В результате данного вида съемки происходит одновременное получение серии геометрически совмещенных снимков в нескольких узких зонах спектра электромагнитных волн.
Гиперспектральная съемка — частный случай многозональной съемки (количество каналов доходит до 36).
Совокупность многозональных снимков значительно более информативна, чем снимки в одном спектральном диапазоне. Серия зональных снимков позволяет использовать в качестве дешифровочного признака спектральный образ изучаемых объектов, предоставляя возможность формализовать спектральную яркость объектов
Основными параметрами материалов аэрокосмической съемки, определяющими возможности извлечения информации об объектах тематического дешифрирования являются пространственное разрешение, спектральное разрешение, отношение «сигнал/шум» и их взаимосвязи.
Необходимо определить понятие «сигнал/шум» применительно к снимкам земной поверхности. Факторы изменчивости яркости снимка подразделяются на две категории: факторы, имеющие отношение к необходимой информации, факторы не имеющие к ней никакого отношения. Первые называются сигналом, вторые — шумом.
При формировании требований к параметрам систем получения изображений первостепенное внимание уделяется выбору пространственного разрешения. Пространственное разрешение — это величина пикселя изображения в пространственных единицах. Данная величина характеризует размер наименьших объектов, различимых на изображении.
Именно по пространственному разрешению проводится одна из основных классификаций данных дистанционного зондирования Земли [49].
Данные низкого пространственного разрешения ( 1 км), имеющие высокую периодичность наблюдений и способные не реже чем ежесуточно обеспечивать глобальное покрытие в зависимости от широты местности (в северных широтах до 2-3 раз в сутки). К инструментам этого уровня относятся системы NOAA-AVHRR, SPOT-Vegetation и Terra/Aqua-MODIS, измеряющие характеристики излучения в широком диапазоне длин волн.
Данные спутниковых приборов низкого пространственного разрешения нашли широкое применение для глобального картографирования лесов. К настоящему времени разработаны глобальные карты лесов по данным NOAA 17 AVHRR в рамках проектов IGBP-DIS [86] и университета Мэриленд [92], а также по данным SPOT-Vegetation в рамках проекта ЕС ЖС Global Land Cover 2000 [85] данным Terra-MODIS в рамках проекта, выполняемого Университетом Бостона [91].
Отражательные спектральные характеристики различных типов подстилающей поверхности
Как говорилось ранее, дистанционное зондирование Земли (ДЗЗ) означает получение информации о состоянии земной поверхности по измеренным на расстоянии, без непосредственного контакта датчиков с поверхностью, характеристикам электромагнитного излучения. Датчики могут быть установлены на космических аппаратах, самолетах и других носителях. По средствам датчиков выполняются измерения электромагнитных волн - от долей микрометра (видимое оптическое излучение) до метров (радиоволны). Существуют различные методы ДЗЗ, но все они используют различную природу отражения объектов. В случае пассивной съемки используется естественное отраженное или вторичное тепловое излучения объектов на поверхности Земли, обусловленное солнечной радиацией. Если же речь идет об активной съемке, то используется вынужденное излучение объектов, инициированное искусственным источником направленного действия. Сама возможность идентификации и классификации объектов по информации ДЗЗ основывается на том, что различные типы объектов по-разному отражают и поглощают электромагнитное излучение в том или ином диапазоне длин волн.
У каждого из объектов на поверхности Земли имеются свои отличные от других объектов особенности или признаки. По этим признакам возможно выявление (дешифрирование) конкретного объекта среди имеющегося множества других объектов. Одним из распространенных признаков природных и искусственных объектов является их отражательная способность.
Одним из первых метод отражательной способности применил к изучению различного рода объектов Г.И. Покровский в 1928-1929 г, позже большое внимание этому вопросу уделяли Н.А. Архангельская, В.Л. Андроников, Е.Л.Кринов, Д.С. Орлов, Б.В. Виноградов, Н.А. Михайлова, П.П. Федченко, К.Я. Кондратьев и М.Е. Баумгарднер.
В современной научно-технической литературе отражательные свойства элементов ландшафта описываются различными параметрами. Наиболее распространенными из них являются: яркость, альбедо, коэффициент яркости и коэффициент отражения. Яркость. Под яркостью поверхности понимают физическую величину, характеризующую отношение силы света, излучаемого в данном направлении к площади проекции светящейся поверхности на плоскость, перпендикулярную данному направлению. Таким образом, яркость любого объекта может быть определена по формуле: 5=5 0 где (2Л) В - яркость поверхности I - сила света в данном направлении 0 - угол между перпендикуляром к поверхности и данным направлением. S - площадь исследуемой поверхности. Яркость- единственная из световых величин, которую непосредственно воспринимает глаз. Она не зависит от расстояния (при практическом отсутствии поглощения света в среде). Единицей измерения яркости является кандела с квадратного метра (кд/м 2). Под 1 кд/м 2 понимается яркость такой поверхности , которая в перпендикулярном направлении излучает силу света в
На практике очень часто приходится определять яркость не одного объекта, а целого участка земной поверхности. Состоящего из множества элементов ландшафта, обладающих яркостью В, и занимающих площадь S,. В этом случае в качестве яркости используют значение средневзвешенной интегральной яркости Вср . ад і в = . ер і (2.2) ,где Si - площадь участка в пределах которого яркость принимается постоянной и равной Bj. Из определения яркости видно, что ее величина зависит как от спектрального состава падающего излучения, так и от геометрических условий освещения и визирования элементов земной поверхности. Следует отметить, что при заданных условиях освещения, любой элемент земной поверхности будет характеризоваться угловой структурой яркости. Альбедо. Еще одной простейшей количественной величиной отражательной способности земной поверхности является альбедо. Альбедо поверхности — спектральная величина определяющаяся как отношение потока отраженного излучения Ф , данной поверхностью по всем направлениям в полусферу, к потоку Ф , упавшему на эту поверхность [44,45,24]. Альбедо поверхности - интегральная характеристика. \0omp(Q)dQ А=Пг \0na\Q)dl (23) п, , где Qr телесный угол, в пределах которого сосредоточен поток падающей энергии. Q2 - тесный угол, в котором регистрируется поток отраженной энергии. Обычно под величинами Qi и Q2 понимается телесный угол верхней полусферы: Qi=Q2 = 2тс. Альбедо выражается в процентах. Различают спектральное альбедо Аь определенное для узкого спектрального интервала длин волн ДА,, и интегральное альбедо - А для широкой спектральной зоны. Интегральное альбедо всегда больше спектрального. Это различие весьма существенно для растительных покровов обладающих повышенной отражательной способностью в инфракрасной зоне спектра.
Следует отметить, что величина альбедо не зависит от геометрических условий визирования поверхности, а изменяется от положения Солнца на небосводе и спектрального состава солнечной радиации. Т.е альбедо земных ландшафтов имеет суточный и сезонный ход. Коэффициенты отражения и яркости. Метод отражательной способности, применимый к изучению различного рода природных и антропогенных образований, использует такие понятия, как коэффициент отражения р и коэффициент яркости R.
Все твердые и непрозрачные тела отражают свет. Отражение света бывает зеркальным и диффузным. Диффузное отражение наблюдается от шероховатых поверхностей, например почвы. Поверхность почвы сложена комочками (агрегатами) различных размеров, между которыми всегда есть зазоры, образующие пространство. Поэтому, попадающий на такую поверхность пучок отражается во всех направлениях. В связи с этим различают два важнейших показателя: коэффициент отражения и коэффициент яркости.
Общее количество световой энергии, отражаемой во всех направлениях, называют коэффициентом отражения
Данную величину можно измерить с помощью интегрирующей сферы или шара Тейлова, в котором отраженные в любых направлениях лучи внутри шара, суммируются и равномерно освещают поверхность фотоэлемента, измеряющего интенсивность фотоизлучения. Коэффициент отражения — величина которая показывает , какая доля потока падающей энергии отразится объектом [86] :
Коэффициент отражения можно измерить только в лабораторных условиях, он является характеристикой самой поверхности и не зависит от внешних факторов. Коэффициент яркости измеряется в полевых или лабораторных условиях, в том числе с помощью космической или аэрофотосъемки. При этом находят величину отражения света в одном направлении, потому как дистанционно объект можно наблюдать только под одним выбранным углом. Коэффициент яркости — отношение яркости исследуемой поверхности к яркости поверхности с изотропным отражением, коэффициент отражения которой равен 1, при тех же условиях освещения. ,где Во — яркость исследуемой поверхности в данном направление. Вэ - яркость эталонного образца при тех же условиях освещения. Из определения следует, что коэффициент яркости зависит от угла, под которым ведется наблюдение, от высоты стояния солнца, облачности и состояния запыленности атмосферы. Поэтому он характеризует отражательную способность объекта только при определенных условиях.
Методика автоматизированного дешифрирования космических изображений земной поверхности с использованием системы п-мерных спектральных признаков
Из приведенных характеристик для каждого из классов подстилающих поверхностей видно, что для их различия не достаточно только видимого диапазона длин волн. Он не является столь определяющим, как средний ИК. Например, как в ближнем, так и в среднем ИК-диапазоне отражательная способность чистой и мутной воды небольшая, поэтому ее легко отличить от любого типа почвы или растительного покрова.
В видимом диапазоне спектра почва отражает больше, чем растительность, а ближнем ИК растительность отражает больше или, по крайней мере, так же, как почва. А в среднем ИК- диапазоне почва обычно отражает больше или, по крайней мере так же как растительность. Таким образом, использование более одного диапазона длин волн дает преимущество для дифференциации исследуемых типов покрытия.
Так, например, в ближнем ИК-диапазоне очень светлая почва имеет отражательную способность, очень похожую на отражательную способность растительности. Однако растительность, можно легко отличить от почвы, если использовать данные, полученные в видимом или среднем ИК диапазоне, так как светлая почва имеет гораздо более высокую отражательную способность, чем растительность темного цвета.
Аналогичную темную почву нелегко отличить от растительности только в видимом или среднем ИК-диапазоне , так как оба типа покрытия обладают довольно низкой отражательной способностью. Однако в ближнем ИК-диапазоне растительность имеет гораздо более высокую отражательную способность, чем темная почва, и поэтому ее можно легко отличить.
Снег можно успешно отличить от облаков только в среднем ИК-диапазоне, в ближнем ИК спектре обнаруживаются области снежного покрова с относительными уровнями таяния.
Таким образом, видно, что спектральные характеристики различных классов объектов в различных спектральных диапазонах очень близки друг к другу, а иногда и вовсе совпадают. Поэтому дифференцировать исследуемые типы подстилающих поверхностей только лишь по спектральным коэффициентам яркости не всегда удается с достаточной степенью достоверности. А поэтому были предприняты различные попытки по увеличению информативности СКЯ. Так, например, при обработке многоспектральных изображений используют линейные комбинации спектральных каналов с коэффициентами, полученными на основе полевых измерений.
В качестве информационных спектральных признаков обычно используют [38,96,99, 101,83,12,51]: длины волн, на которых достигаются локальные минимумы или максимумы коэффициента спектральной яркости (СКЯ) или его производной; признаки, характеризующие спектральный контраст. Эти признаки являются количественными характеристиками спектрального контраста между двумя спектральными зонами А,і и \2 и позволяют отделить влияние факторов, определяющих форму спектрального распределения СКЯ, от факторов, приводящих к его равномерному изменению; Вегетационный индекс(ВИ) - это показатель, рассчитываемый в результате операций с разными спектральными диапазонами (каналами) данных дистанционного зондирования, и имеющий отношение к параметрам растительности в данном пикселе снимка [33].
Спутниковые вегетационные индексы представляют собой различные математические комбинации коэффициентов отражения подстилающей поверхности в двух спектральных диапазонах: красном и ближнем инфракрасном [66,10].
Эффективность ВИ определяется особенностями отражения. Эти индексы выведены, главном образом, эмпирически.
Основным предположение по использованию ВИ состоит в том, что некоторые математические- операции с разными каналами- ДЗЗ могут быть полезны в задачах выделения объектов растительности. Это подтверждается множеством эмпирических данных. Кроме того, открытая почва на снимке будет формировать в спектральном- пространстве прямую линию (т.н. почвенная линия).
Почти все распространенные вегетационные индексы используют только соотношение красного - ближнего инфракрасного каналов, предполагая, что в ближней инфракрасной области лежит линия. открытой почвы. Подразумевается, что эта линия означает нулевое количество растительности.
Почвенная линия - это гипотетическая.линия в спектральном пространстве, которая описывает вариацию спектра открытой почвы на снимке. Линшгможет быть определена через определение двух или более эталонов голой почвы на снимке, имеющих разное отражение и определение наиболее подходящий линии в спектральном пространстве. Kauth and Thomas (1976) описали знаменитый "треугольный регион, в форме шапочки с кисточкой" (tasseled cup) в RED-NIR спектральном пространстве данных MSS [93]. Они обнаружили, что наивысшая точка треугольника (которая лежит в области низкого отражения в красной области спектра и высокого отражения в ближнем инфракрасном) соответствует районам с обильной растительностью, а плоская часть треугольника лежащая напротив конца треугольника - соответствует голой почве (см. Рис. 2.8 а,б).
Простой способ определения (RED-NIR) почвенной линии: создайте график распределения (scatterplot) красного и инфракрасного канала изображения. Рекомендуется назначить красному каналу ось X и -инфракрасному каналу - ось Y. В нижней правой части графика должна быть относительно линейная часть. Прямая линия, которая наилучшим образом описывает эту часть графика и есть почвенная линия. Вы можете выбрать несколько точек описывающих эту границу и определить линию методом наименьших квадратов.
Сравнение полученных результатов- с уже существующими методиками дешифрирования
Кроме различных методов обработки данных дистанционного зондирования основанных исключительно на анализе спектральных характеристик природных и антропогенных образований существуют различные методики увеличения информативности данных величин [62]. И среди них, такие как, вегетационный индекс. Существует большое количество разновидностей данного индекса [33], боле подробно их описание изложено в главе 2. Не будем останавливаться на нем.
Так как были проведены исследования на предмет выделения трех классов объектов, а именно: Гидрография Антропогенные объекты (городская застройка и почвы) Растительность (луговая растительность и лес). То, целесообразно было бы провести сравнительный анализ результатов выделения объектов растительности, по средствам предлагаемой методики тематической обработки данных многозональных съемок, с результатами выделения растительности с использованием вегетационного индекса.
Для проведения сравнительного анализа, из всего многообразия разновидностей вегетационных индексов был выбран самый распространенный и широко используемый нормализованного вегетационного индекса NDVI.
Методы вычисления вегетационных индексов (в т.ч. индекса NDVI) заключаются в выделении зеленой растительности с помощью простого арифметического преобразования. Они относятся к полностью автоматизированным методам, в которых участие пользователя ограничивается лишь одним последним этапом - идентификацией выделенных объектов [11,48,67].
Использование вегетационных индексов возможно благодаря специфическому ходу спектральных кривых зеленой растительности Нормализованный вегетационный индекс NDVI равен отношению разности яркостей пиксела изображения в инфракрасном и красном диапазоне спектра к их сумме, NDVI=PlR pR=RVI 1 pIR+pR RVI + l При этом, чем больше значение данного индекса, тем более яркой является рассматриваемая растительность и тем в более хорошем состоянии она находится.
Но, известно, что использование вегетационного индекса накладывает ряд ограничений. Одним из таких ограничений является процентное соотношение растительности на изображении. - растительность.
Результат выделения объектов растительности по средствам расчета нормализованного вегетационного индекса NDVI
Считается, что выделение растительности с использованием вегетационного индекса наиболее хорошо только в том случае, если величина растительного покрова на исследуемой территории составляет не менее 30% [33].
Результаты выделения объектов растительности по средствам реализации предлагаемого алгоритма и расчета нормализованного вегетационного индекса NDVI приведены в таблице 4.4
Расчет достоверности выделения объектов растительного покрова обойми способа был выполнен уже упомянутым-выше способом, с использованием формулы 3.11 (глава 3)
Результаты выделения объектов растительности по многозональным космическим изображениям с КА Landsat-7 (ЕТМ+) предлагаемым алгоритмом на основе системы n-мерных спектральных признаков и нормализованному вегетационному индексу NDVI приведены в приложении П5.
Исследования показали, что если растительности на изображении занимает порядка 50-60 % от общего количества объектов, то результат работы предлагаемой методики близок к работе вегетационного индекса. При небольшом процентном содержании растительности на изображении достоверность полученных ; результатов выше в случае применения предлагаемой методики. О чем: свидетельствуют результаты, приведенные в таблице 4.4. Процентное соотношение растительного покрова на:исследуемой территории; составляет 46,74% (процентное:1 соотношение природных и антропогенных объектов для всех изображений входящих в составі эксперимента)приведено в приложенишПб): .
В основе, предлагаемой методики дешифрирования данных ДЗЗ лежит обработка многозональных данных: с KAEandsatr7 (ЕТМ+). Для; того чтобы выяснить возможность ее применения для данных с аналогичных КА ДЗЗ был проведен сравнительный анализ полученных результатов обработки, на одну и ту же территорию данных с КА Landsat-7 сенсора ЕТМ+ и КА TERRA сенсора
Космический; аппарат TERRA был запущен NASA 18 декабря 1999 года с авиабазы,Ванденберг;(США). На спутнике,; среди; других,приборов, установлен аппаратный комплекс космического дистанционного зондированиям ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer — усовершенствованный термально-оптический радиометр космического базирования). Своему появлению ASTER обязан совместному проекту NASA, японского министерства экономики, торговли и промышленности (МЕТІ) и японского Центра анализа данных ДЗЗ Earth Remote Sensing Data Analysis Center (ERSDAC) [31].
Прибор позволяет проводить съемку земной поверхности в 14 спектральных диапазонах от видимого до дальнего инфракрасного с пространственным разрешением от 15 до 90 м [32].
Одной из уникальных особенностей радиометра является возможность стереосъемки в ближнем инфракрасном (ИК) диапазоне, что обеспечивает получение стереоснимков высокого разрешения и позволяет создавать на их основе детальные цифровые модели местности. Расчетный срок пребывания на орбите составляет 6-7 лет.
Похожие диссертации на Разработка методики автоматизированного дешифрирования космических изображений земной поверхности с использованием системы n-мерных спектральных признаков
