научная статья по теме АВТОМАТИЧЕСКАЯ СЕГМЕНТАЦИЯ ОБЛАЧНЫХ ОБЪЕКТОВ НА СНИМКАХ ЗЕМНОЙ ПОВЕРХНОСТИ ВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ Космические исследования

Текст научной статьи на тему «АВТОМАТИЧЕСКАЯ СЕГМЕНТАЦИЯ ОБЛАЧНЫХ ОБЪЕКТОВ НА СНИМКАХ ЗЕМНОЙ ПОВЕРХНОСТИ ВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ»

ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2014, № 2, с. 27-34

МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ КОСМИЧЕСКОЙ ИНФОРМАЦИИ

АВТОМАТИЧЕСКАЯ СЕГМЕНТАЦИЯ ОБЛАЧНЫХ ОБЪЕКТОВ НА СНИМКАХ ЗЕМНОЙ ПОВЕРХНОСТИ ВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ © 2014 г. А. А. Ветров*, А. Е. Кузнецов

Рязанский государственный радиотехнический университет, Рязань *Е-таП: foton@rsreu.ru Поступила в редакцию 14.08.2013 г.

В статье представлен алгоритм автоматической сегментации облачных объектов на спектрозональ-ных снимках земной поверхности от съемочной аппаратуры, функционирующей по принципу пространственного разделения светового потока по светочувствительным элементам различных спектральных каналов. Высокая надежность распознавания облачности базируется на учете явления стереоэффекта, проявляющегося во взаимном смещении высотных объектов, наблюдаемых на спектрозональных снимках. При этом требуемое быстродействие достигается за счет учета этого эффекта применительно к "кандидатам" в облачные объекты, выделенным с использованием коло-метрического алгоритма и Байесовского классификатора. В статье приводятся оценки надежности сегментации и быстродействия представленного алгоритма.

Ключевые слова: выделение облачности, сегментация, колометрический алгоритм, Байесовский классификатор, стереофотограмметрическая фильтрация

DOI: 10.7868/S0205961414020122

ВВЕДЕНИЕ

Одним из первых этапов наземной обработки данных дистанционного зондирования Земли (ДЗЗ) является выделение облачных объектов, представленных на спутниковых изображениях. Эта операция выполняется, как правило, в ходе каталогизации маршрутов съемки и используется для оценки качества материалов съемки. На основе параметра, характеризующего долю облачных объектов по отношению ко всей площади снимка, осуществляется отбор заархивированной информации и принимается решение об организации повторной съемки требуемой территории. При выдаче потребителям выходной продукции каждый снимок сопровождается маской качества, в которой отмечены пикселы, принадлежащие облачным объектам и затененным участкам земной поверхности.

Процедура выделения облачности на снимках земной поверхности высокого пространственного разрешения имеет ряд специфических особенностей.

Во-первых, изображения земной поверхности от КА "Ресурс-ДК", "Канопус-В" и др. представляют собой сверхбольшие по объему массивы ви-

деоданных, достигающие сотен гигабайт. По этой причине из-за больших временнЫх затрат не нашли применения нейросетевые технологии сегментации облачности (Астафуров, Скороходов, 2011).

Во-вторых, съемка с высоким пространственным разрешением выполняется в видимом (в том числе панхроматическом) и ближнем ИК-диапа-зонах. Отсутствие данных в дальнем ИК-диапазо-не не позволяет использовать алгоритмы распознавания облачности, которые применяются для гидрометеорологических спутников типа Aqua, Terra и др. (Ackerman et al., 2002).

В-третьих, практически все отечественные системы ДЗЗ высокого разрешения при съемке земной поверхности используют, как показано на рис. 1а, принцип пространственного разделения светового потока по светочувствительным элементам, соответствующим различным спектральным каналам. Формирование разноспектральныгх данных в разное время приводит к появлению стереоэффекта, приводящего к несовпадению облачных объектов на геометрически совмещенных снимках (рис. 1б), что в свою очередь не позволяет использовать для сегментации облачности ал-

Направление полета

ПЗС-линейки

Фокальная ' плоскость

г Объектив

Ядро облачного объекта

К--ыж

Рис. 1. а — Схема разновременной спектрозональной съемки земной поверхности датчиком "Геотон" КА "Ресурс-ДК"; б — пример взаимных сдвигов облачных объектов из-за стереоэффекта.

горитмы, основанные, например, на анализе вегетационного индекса (Иие!е е! а1., 1999).

Применение для распознавания облачных образований, представленных на снимках объектами серого цвета, колометрического алгоритма (Кочергин, 2008) не всегда обеспечивает получение качественного результата, поскольку к серым объектам относятся также снег, крыши домов, пески и др.

В работе (Пошехонов, 2010) для надежного распознавания облачности на многозональных снимках высокого пространственного разрешения используется алгоритм стереообработки, в соответствии с которым определяются трехмерные координаты каждого пиксела, и если высота какого-либо объекта превосходит значение, определенное по цифровой модели рельефа, то объект относится к облачному образованию. Сложность практического применения данного подхода заключается в большом объеме вычислений, связанных с построением карт диспарантности и расчетом по ним трехмерных координат пикселов. Например, как показано в (Пошехонов, 2010), для определения трехмерных координат пикселов изображения КА "Ресурс-ДК" размером 36 000 х 36 000 требуется порядка 3 ч машинного времени 8-процессорной ЭВМ.

В настоящей статье рассматривается высокоскоростной и высоконадежный алгоритм сегментации облачных объектов, основанный на предварительном выделении всех объектов серого цвета и их последующей отбраковки по данным межка-

нального смещения (диспарантности). Алгоритм включает в себя последовательное выполнение следующих этапов.

ЭТАП 1 - ПРЕДВАРИТЕЛЬНОЕ ВЫДЕЛЕНИЕ ОБЛАЧНЫХ ОБЪЕКТОВ

Пусть спектрозональные изображения Бх,

X = 1, Л высокого пространственного разрешения, полученные в Л-спектральных диапазонах, после геометрического совмещения представлены отсчетами яркости Бх = {ЬХтп}, т = 1, М,

п = 1, N. В условиях межканального смещения облачных объектов (рис. 1б) для каждого из них можно выделить область, в пределах которой пиксел принадлежит облачному объекту на всех

Бх, X = 1, Л. Будем называть такую область ядром облачного объекта. Ядра облачности на цветном изображении представлены объектами серого цвета. Учтем эту особенность и для выделения пикселов, принадлежащих к ядрам облачности, используем колометрический алгоритм, обобщив его на случай Л-спектральных каналов (Кочергин, 2008).

Для этого выполним вначале яркостную нормализацию изображений Бх

Ьх(т, п) = ■

^.шах

- Ь

-[[(т,п) + Ьшп], ^ = 1'Л'

Х,,шт

Ь

АВТОМАТИЧЕСКАЯ СЕГМЕНТАЦИЯ ОБЛАЧНЫХ ОБЪЕКТОВ

29

Рис. 2. Данные МСС КА "Канопус-В": а — исходный многозональный снимок; б — маска серых объектов, сформированная в результате работы колометрического алгоритма.

где Ь*(т, п) — нормализованное значение кода яркости; ЬХМп = Ь - 3ах; ¿Х>тах = \ + 3ах; Ьх, ах — соответственно среднее и среднеквадратическое отклонение яркости снимка Б}.

Введем два класса пикселов: к множеству X1 отнесем пикселы ядер облачности, а к множеству Ь0 — все остальные. Пиксел с координатами (т, п) будем относить к классу Д в случае выполнения условия

л

П(1

Х=1

Ь* (т, п) - Ь(т, п)

< А| = ТШЕ,

(1)

— 1 \ 1 л ^

где Ь (т, п) = ^ / х Ь*(т, п); А — пороговое значение яркости, позволяющее классифицировать серые объекты.

Применив условие (1) к нормализованным изображениям Б*, распределим пикселы по классам X0 и X и сформируем маску облачных объектов. Пример такой маски показан на рис. 2б. Как следует из рис. 2б, маска описывает только ядра, а не полностью облачные образования, кроме того, на ней представлено большое количество ложно выделенных облачных объектов. Поэтому, используя полученные распределения X0 и Ь1 как обучающие выборки, уточним сформированную маску облачности.

ЭТАП 2 — УТОЧНЕНИЕ МАСКИ ОБЛАЧНЫХ ОБЪЕКТОВ ПОСРЕДСТВОМ БАЙЕСОВСКОГО КЛАССИФИКАТОРА

Для точного выделения облачных объектов, а не только их ядер, применим Байесовский классификатор, для которого множества X0 и Ь1 могут быть использованы в качестве начального приближения. Классификацию будем выполнять, выбрав канал X с наибольшей контрастностью (наиболее коротковолновый из доступных).

Зададим два класса пикселов: к множеству X* отнесем пикселы, принадлежащие к облачным

объектам после уточнения, а к X* — все остальные. Обозначим как Р(1X*) и Р(Х**) априорные вероятности того, что пиксел относится к классам

X* и X* соответственно. Определим эти вероятности, исходя из мощности множеств Х0 и Х1, следующим образом:

Р(Х*) = Р(Х**) = 1 - Р(А*).

+X

Вероятности того, что пиксел с кодом яркости Ь* относится к классам X* и X*, соответственно обозначим как Р^/ь*) и Р^/Ъ*)

Р(1*/Ь*) = Р(1*)*(Ь*, У +1, Т + XI

^ <¿3

I

Ъ*'

/ »

о

а

Рис. 3. Пример маскирования облачности: а — маска облачных объектов для изображения Бх, уточненная в результате работы Байесовского классификатора; б — контуры облачных объектов после фильтрации по критерию диспарантности.

р(4/Ь*) = л4) NЩ+1.

(4)

где N0)*, Ц) и N(Ь*, Ц) — количество пикселов с кодом яркости Ь* в множествах Ц и Ц соответ-

объекты, состоящие из пикселов класса Ц, и получим множество контуров Ох = {0}л}, где Ои — контур, описывающий /-й облачный объект. После векторизации выполним отбраковку найденных объ-

ственно, а Т = ЬХ,шах - ЬХ,ш1п — количество кодов ектов по критерию площада N(GXi) где

Х,шт

яркостей изображения. В качестве решающего

правила, относящего пиксел к Ц* или Ц*, будем использовать условие

|ь*(т, п) е Ц*, если Р(Ц*, Ь*) > Р(Ц*, Ь*), [иначе Ь*(т, п) е Ц0.

(5)

Рассчитаем значения Р(Ц*/Ь*) и Р(Ц /ь*) для всех Ь* = 1, Ьшах и отнесем каждый пиксел выбранного канала к одному из классов Ц* и Ц*.

По результатам работы Байесовского классификатора сформируем маску (рис. 3а), которая не только полностью определяет границы облачных объектов, но и описывает объекты земной поверхности. Для их отбраковки применим двух-этапную процедуру.

ЭТАП 3 — ОТБРАКОВКА НЕОБЛАЧНЫХ ОБЪЕКТОВ

Сформируем векторные описания облачных объектов для изображения Бх по найденной на предыдущем этапе маске. Для этого векторизуем

N(GXi) — количество пикселов, принадлежащих /-му объекту, г — пространственное разрешение изображения в м/пикс, = 10 м2 — минимальная возможная площадь высококучевых облаков. Объекты, не удовлетворяющие данному критерию, будем считать точечными источниками отраженного солнечного света и исключим их из дальнейшего рассмотрения.

Из полученных векторных описаний выделим только облачные объекты. Поскольку опр

Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.

Показать целиком