РАДИОМЕТРИЧЕСКИЕ СВОЙСТВА СНИМКОВ И ИХ КОМПЬЮТЕРНАЯ ОБРАБОТКА

Понятие о цифровом снимке Под цифровым снимком следует понимать изображение земной поверхности, которые записано в виде цифровых значений на магнитном носителе и может быть визуализировано на экране компьютера в виде двухмерного изображения, причем каждое из чисел соответствует элементарному участку земной поверхности. В отличии от фотографического снимка, изображение которого непрерывно, цифровой снимок состоит из дискретных элементов изображения – пикселов, которые на экране компьютера отображаются как прямоугольные элементы, образуя регулярную сетку ячеек. Каждый из пикселов имеет координаты в цифровой записи: номер строки (х) и номер столбца (у). Началом координат служит первый пиксел (левый верхний пиксел изображения), и, как это принять в компьютерном представлении данных, номер строки возрастает при движении вниз, а столбца – вправо.

В радиометрическом отношении цифровой снимок представляет собой матрицу, состоящую из пиксел с различными значениями яркости. Весь интервал яркостей от черного до белого принято делить на 256 уровней (в машинном коде это соответствует 8 битам, или 1 байту на пиксел). Один уровень яркости соответствует радиометрическому разрешению снимка.

8-бит (256 градаций серого) 11-бит (2048 градаций серого) Высокое радиометрическое разрешение – не менее 11 бит на пиксел в панхроматическом режиме

Номер уровня яркости, или кодированное значение яркости, представляют третью координату пиксела цифрового снимка. Так как цифровой снимок может быть представлен в виде матрицы значений яркости, это позволяет выполнить его обработку с помощью компьютера т.е. проводить группировку систематизацию пиксел в зависимости от их яркости. В связи с тем, что яркость пиксел цифрового снимка тесно коррелирует со спектральной отражательной способностью объектов, а она в свою очередь с их свойствами, это позволяет проводить группировку пиксел в зависимости от определенных свойств объектов.

Получение снимков в цифровом виде обеспечивается или при съемке, если используются оптико-электронные съемочные системы, или шифрованием фотографических снимков. Цифрование выполняется на специальных сканирующих микроденситометрах, называемых обычно сканерами. Пространственное разрешение современных сканеров (до 1 2 мкм) позволяет сохранить при переводе в цифровую форму даже высокое разрешение аэрофотоснимков. Полученные оптико-электронными системами цифровые снимки с помощью устройств, преобразующих электрический сигнал в световой, могут быть представлены как фотографические изображения. Дешифрировать такие снимки можно только визуально, а используемые при этом признаки и способы не отличаются от тех, которые применяются при работе со снимками, полученными фотографическими системами.

Важным достоинством цифрового снимка является то, что его копии по своим изобразительным и информационным свойствам соответствуют оригиналу. В тоже время при получении копий фотографических снимков эти свойства значительно теряются.

Радиометрическое улучшение изображения выполняется двумя методами. В первом случае радиометрические свойства снимков связаны с определенными параметрами съемочных систем, которые корректируются на основе наземных и полетных испытаний. Во втором случае радиометрическое улучшение изображения выполняется путем выявления дефектов и их характеристик на снимках подлежащих использованию для дешифрирования с целью составления тематических карт. Различают следующие виды коррекции изображения: исправления влияния атмосферы; исправление полосатости; исправление выпадения строк.

Компьютерная обработка аэрокосмических снимков. Для ГИС, предназначенной для решения различных научно-практических задач, важно использование информации, полученной аэрокосмическими методами, как наиболее оперативной. ГИС, содержащие картографическую и аэрокосмическую информацию, получили название интегрированных, в которых векторные картографические данные объединяются с растровыми дистанционными (линейными и пиксельными). Внедрение компьютерных технологий обработки снимков позволило практически перейти к представлению пространственной информации в виде цифровых моделей местности, которые строятся по результатам стереофотограмметрических измерений снимков.

При компьютерном дешифрировании цифровых снимков возможны два подхода: визуальное дешифрирование экранного изображения; автоматизированная (компьютерная) классификация. В первом случае информацию извлекает дешифровщик путем визуального анализа экранного изображения. Исполнитель в отличие от компьютера воспринимает прежде всего пространственную информацию, часто даже не зная количественных характеристик. Яркостные различия оцениваются им на качественном уровне, но зато он использует и другие дешифровочные признаки, форму например, а также косвенные дешифровочные признаки.

Второй подход заключается в выполнении математических про­цедур, позволяющих сгруппировать объекты по некоторому формализованному признаку. В настоящее время в качестве признака используют на черно-белых снимках величину яркости, а на мно­гозональных набор значений яркости на серии зональных снимков, называемый спектральным образом. Анализ ведется на уровне отдельного пиксела. Пространственную информацию о дешифрируемых объектах при этом подходе обычно получают с использованием программных средств путем подсчета пикселов с близкими или одинаковыми характеристиками. Основное преимущество первого подхода легкость получения пространственной информации и благодаря привлечению ком­плекса дешифровочных признаков высокий уровень принимаемых решений, а второго возможность выполнения сложных математических преобразований при малом участии человека. Очевидно, что оба подхода могут дополнять один другого, а потому часто используются совместно.

Основные принципы и способы визуального дешифрирования сохраняются вне зависимости от того, представлены снимки как изображение на фотобумаге (пленке) или на экране. Различие заключается в том, что в первом случае дешифровщик имеет дело со снимком, свойства которого он не может изменить, а во втором такая возможность есть. Различают два вида преобразований цифрового снимка: гео­метрические и яркостные. Конечной целью геометрических преобразований является представление цифрового снимка в определенной проекции и системе координат. Преобразования выполняются в случае использования снимков для создания карты или необходимости сопоставления.

Компьютерная обработка снимков позволяет решать следующие задачи: - геометрическое преобразование снимков, изготовление фотопланов и фотокарт; - яркостные и цветовые преобразования; - получение количественных характеристик; - визуализация цифровых данных дистанционного зондирования; - автоматизированное дешифрирование снимков (классификация). Основными этапами компьютерной обработки аэрокосмического изображения являются: ввод и внутреннее представление изображений; координатная привязка, и фотограмметрическое преобразование снимков; геометрическая коррекция; предварительная обработка изображения; автоматизированное дешифрирование.

Ввод и внутреннее представление изображений. Наиболее удобной для компьютерной обработки является информация, полученная с помощью сканирующих систем, принимаемая в цифровой форме. Сигналы сканеров записываются на магнитную ленту и могут быть преобразованы для ввода в компьютер. При использовании фотографических аэрокосмических снимков, для получения их растровых изображений, используются фотограмметрические сканеры, имеющие высокую геометрическую и радиометрическую (яркостную) точность. После того, как изображение получено в цифровом виде, принципиальным вопросом является внутреннее представление данного изображения в системе. Чаще всего используется табличное представление в виде матрицы.

Координатная привязка снимков. После ввода изображения снимка в компьютер приступают к его координатной привязке и геометрическому преобразованию с целью перевода изображения в необходимую картографическую проекцию. Информация, поступающая с российских спутников серии «Космос», американских «Ландсат» и французского SPOT, координатная привязка и геометрическая коррекция осуществляется по орбитальным данным в автоматизированном режиме. При работе с аэрофотоснимками данные задачи решаются с использованием опорных точек, на основании которых проводится фотограмметрическая обработка снимков. В Республике Беларусь для этих целей используется цифровая фотограмметрическая система «Realistic-M».

Геометрическая коррекция изображений Аэрокосмические снимки не зависимо от технических средств с помощью которых они получены, имеют геометрические искажения, обусловленные следующими факторами : геометрией получения (положение оптической оси фотоаппарата), непостоянством высоты съемки, кривизной Земли, рельефом местности и т.д. На рис. ….. видно как распределяется искажение на аэроснимке полученном в центральной проекции. Искажение отсутствует только в центральной части снимка, однако по краям снимка имеется значительное искажение. В частности, значительно увеличивается ширина пиксела по мере его удаления от надира, а также искажаются границы объектов. Рельеф местности также вызывает геометрические искажения, особенно для территорий с ярко выраженным рельефом, а также при перспективной съемке. Это контрастно проявляется на радиолокационных снимках.

Проведение геометрической коррекции обуславливается следующими причинами: приведение снимков различного масштаба к общей картографической проекции и пространственному разрешению, чтобы облегчить их совместный пространственный анализ; приведение снимков к картографической проекции в которой построена тематическая карта; совместного использования изображения и векторных данных; проведение точных измерений расстояний и площадей; составление фотосхем и фотопланов.

В результате проведения геометрических преобразований координаты элементов цифрового снимка могут быть связаны с пространственными координатами географическими или геодезическими, а снимок трансформирован в заданную проекцию. В программных пакетах это преобразование может быть организовано как единая процедура или как две разные. В процессе присвоения пространственных координат (геокодировании) перестройки изменения аэрокосмического изображения не происходит, лишь устанавливается связь между растровыми и пространственными координатами. Второй процесс трансформирование требует перестройки изображения. Поясним это на простом примере разворота изображения.

Плоскость орбиты спутника, как правило, наклонена к оси Земли, т.е. оси координат цифрового снимка в общем случае не параллельны ни сетке параллелей и меридианов, ни сетке прямоугольных координат. На рис. схематически показана цифровая запись снимка в первичном виде и после преобразований. Чтобы развернуть снимок «на север», т.е. сделать параллельными оси координат цифровой записи и пространственной системы (на рисунке это система географических координат), в запись вводятся «чистые» пикселы, что и приводит к изменению координат пикселов снимка в цифровой записи. В двух этих случаях координаты трех условно выбранных пикселов в системе цифровой записи различны.

В действительности перестройка изображения значительно сложнее, чем это показано на приведенном примере: для трансформирования снимка требуется введение новых пикселов или объединение двух в один по всему изображению, что влечет за собой некоторое ухудшение в воспроизведении мелких объектов. В случае, когда снимок визуализирован на экране, каждый пиксел имеет, кроме того, координаты экрана. Они могут совпадать с координатами цифровой записи, если визуализированное изображение начинается с начала цифровой записи и выведено на экран в масштабе 1:1. Если же изображение на экране увеличено (уменьшено) или выведен лишь фрагмент записи, совпадения координат не будет. Таким образом, пикселы визуализированного на экране монитора цифрового снимка, предварительно преобразованного в определенную проекцию, имеют координаты в трех системах цифровой записи, пространственных координат и экрана.

Предварительная обработка изображения проводится практически всегда, независимо какие снимки (сканерные, фотографические) подвергаются обработке. Это обусловлено наличием во входном изображении шумов и искажений. Искажение яркости объектов может быть обусловлено условиями фотосъемки, обработки фотоматериалов и условиями сканирования. Кроме того на снимках могут иметь место локальные искажения плотности изображения, которые проявляются в виде точек и др. Так могут изображаться объекты, которых нет в действительности: например, солнечные блики, тень облаков и т.д.

Часто при предварительной обработке изображения сталкиваются с информационным шумом. В роли подобного шума выступают объекты, которые присутствуют как на снимке, так и в действительности. Но их наличие не существенно для поставленной задачи. А лишь затрудняет дешифрирование. Например, при составлении карты растительности несущественную роль играют линии электропередач, мелиоративная сеть и др. На данном этапе обработки изображения осуществляется коррекция гистограммы, фильтрация и устранение шума, что позволяет повысить контрастность изображения, устранить мелкие детали. Яркостные преобразования изображения выполняются главным образом с помощью аналоговых устройств и позволяют проводить синтезирование цветных изображений, квантование по уровням оптической плотности, изменение контраста, подчеркивание границ контуров.

Наиболее сложным этапом компьютерной обработки изображения является автоматизированное дешифрирование, т.е. выделение границ объектов или сегментация. Дешифровщику при работе со снимками постоянно приходится, основываясь на дешифровочных признаках опознавать и выделять однородные объекты. При компьютерном дешифрировании космических снимков одним из распространенных является подход на основе спектральных признаков. Он базируется на том, что яркость хроматических объектов (имеющих определенную окраску) в разных спектральных зонах не одинаково и характеризуется коэффициентом спектральной яркости. Таким образом, каждый элемент растра – пиксел соответствует яркости объекта для определенной области электромагнитного спектра. Каждый пиксел растра записывается как числовой элемент матрицы в файле данных.

На этапе сегментации основная задача заключается в дифференциации изображения на области (сегменты) по определенному критерию. В качестве критерия могут служить текстура и тон изображения. После того как изображение будет разбито на однородные области (контуры), приступают к их классификации. 1. В настоящее время разработаны десятки алгоритмов машинного дешифрирования, подразделяемые на алгоритмы с обучением и без обучения, которые осуществляют, соответственно, контролируемую и неконтролируемую классификации.

При классификации изображений с обучением пикселы с известными характеристиками для определенных объектов являются основными для классификации всех пикселей изображения. Однако иногда отдельные объекты имеют близкую спектральную отражательную способность, а значит при классификации могут объединяться в одни классы. В данном случае их дифференциация проводится специалистом. Классификацию с обучением целесообразно использовать тогда, когда необходимо идентифицировать с более высокой точностью, чем позволяет классификация без обучения. Процесс классификации с обучением разделен на две части: обучение и классификацию. Обучение - процесс определения значений признаков (извлекаемых из обучающих образцов), согласно которым идентифицируются классы пикселей. Чтобы выбрать надежные обучающие образцы требуется хорошие знание об изучаемом объекте. Местоположение и характеристики изучаемых объектов могут быть получены в результате полевых исследований или с тематических карт. Для обеспечения максимального соответствия желательно чтобы они были собраны в том же промежутке времени, что и полученное изображение.

Каждый пиксел изображения классифицируется отдельно согласно подобию (в соответствии с некоторым решающим правилом) его значений признаков и средних значений признаков классов. Решающее правило – математический алгоритм, который, используя значения признаков выполняет фактическую сортировку пикселей по классам. Различают параметрические и непараметрические решающие правила. Параметрическое решающее правило применяется для классов с параметрическими признаками т.е. признаками, значение которых распределены по нормальному признаку. Каждый пиксел изображения назначается на класс, так как параметрическое пространство решения непрерывно. К параметрическим относятся следующие решающие правила: минимального расстояния, расстояния Махалонобиса, максимального правдоподобия, Байеса. Непараметрическое решающее правило, применяется для классов с непараметрическими признаками, т.е. признаками значение которых не распределены по нормальному закону. Если значения признаков пикселя изображение находится в пределах границ какого-либо класса (заданного на изображении пространства признаков), то пиксел назначается на этот класс. К непараметрическим относятся решающие правила параллелепипеда и пространство признаков.

Используются и алгоритмы классификации без обучения – кластеризации, позволяющие формально расчленить изображение, на отдельные классы не используя обучающих данных. В этом случае элементы изображения объединяются в группы – кластеры по формальным признакам без учета их содержательного значения. Выделенные автоматически кластеры в результате группировки пикселов дешифровщик соотносит их с определенными объектами. Например, при составлении почвенной карты, с распределением почв по степени увлажнения. В результате классификации сегментов может быть получена тематическая карта, которая может использоваться в формате одной из ГИС и позволяет проводить дальнейшую обработку результатов с ее помощью. Например, получение таких количественных характеристик как определение площади контуров и суммарной площади объектов определенного типа; протяженности границ контуров и т.д.

В классификации изображения без обучения отсутствует дополнительная информация, используемая при дифференциации пикселей на классы. Кроме того, отсутствуют специфические известные классы, и даже их количество неизвестно. В данной ситуации смысл классификации без обучения заключается в разделении пикселов изображения на группы (кластеры), название, спектральные характеристики и даже само существование которых предварительно неизвестны. Критерием отнесения пикселов к тому или иному кластеру служит схожесть спектральных характеристик. В задачу дешифровщика входит последующие определение соответствия выделенных кластеров классам земной поверхности, которая выполняется с использованием дополнительной информации – полевых исследований, тематических карт. Например, при дешифрировании почв, их спектральная яркость четко коррелирует с гранулометрическим составом почв и содержание в них гумуса и влаги.

Классификация без обучения более автоматизирована и требует минимальных исходных данных для выделения кластеров в соответствии с их различиями в пространстве признаков. Классификация без обучения позволяет выделять много кластеров. При этом целесообразно выделять несколько большее число кластеров, чем количество подлежащих идентификации природных объектов или явлений. Затем можно провести идентификацию и объединение кластеров со схожими средними значениями признаков. Для идентификации кластеров результаты классификации без обучения сравниваются с любой доступной информацией об изучаемом объекте на изображении. Существует большое количество алгоритмов, позволяющих проводить кластеризацию.