ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2014, № 1, с. 29-34
ВЛИЯНИЕ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ ГИПЕРСПЕКТРАЛЬНОЙ СЪЕМКИ НА КАЧЕСТВО ИХ ТЕМАТИЧЕСКОГО АНАЛИЗА © 2014 г. В. Н. Остриков, О. В. Плахотников*
Санкт-Петербургский филиал ОАО "Концерн "Вега" *Е-таП: oleg-vl@yandex.ru Поступила в редакцию 24.04.2013 г.
Предложен метод предварительной радиометрической коррекции авиационных данных гиперспектральной съемки, адаптивный к условиям наблюдения и типу датчика. Рассмотрено влияние метода на качество идентификации малозаметных объектов, спектрально близких к окружающему фону.
Ключевые слова: гиперспектральная съемка, радиометрическая коррекция
DOI: 10.7868/S0205961414010059
ВВЕДЕНИЕ
Большинство существующих образцов аппаратуры гиперспектральной съемки (ГСС) строится по схеме строчного сканирования местности типа "push-broom", в результате на полученных данных присутствует существенный регулярный полосовой (горизонтальный и вертикальный) шум. Для такой схемы сканирования также характерно наличие существенной неравномерности засветки фотоприемной матрицы от центра кадра к краю. Поскольку используемые в ходе съемки спектральные линии достаточно узкие (единицы нанометров), полученные данные сопровождает и сравнительно высокий случайный шум. Поэтому в тех случаях, когда перед тематической обработкой данных ГСС ставится задача обнаружения и идентификации малозаметных (с низким спектральным контрастом) или соизмеримых с размером пространственного разрешения объектов, предварительная радиометрическая обработка результатов съемки является необходимым этапом в части борьбы с такого рода искажениями.
Важным специфическим свойством, которому должны удовлетворять применяемые методы и алгоритмы предварительной обработки, является отсутствие вносимых ими спектральных артефактов в элементы формируемых "кубов". В тех случаях, когда обрабатываются большие массивы данных при примерно одинаковых условиях наблюдения, например, в ходе поточной обработки результатов космической съемки, для компенсации регулярного шума достаточно успешно применяются статистические методы выявления и
коррекции, основанные на гистограммном приведении ("нелинейное согласование детекторов"), а также в частотной области на основе преобразования Фурье (Шовенгердт, 2010). Для компенсации случайных шумов без внесения артефактов в выходные спектры также часто применяется преобразование данных на основе метода главных компонент (Шовенгердт, 2010). Однако применение последнего метода требует весьма большого времени на обработку, существенно возрастающего с увеличением размерности регистрируемых спектральных каналов, поскольку он связан с вычислением ковариационной матрицы на большом массиве.
Вместе с тем возможна достаточно простая в вычислительном отношении реализация снижения регулярного и случайного радиометрических шумов процедура, основанная на применении адаптивного скользящего фильтра (Остриков, 2008) к каждой спектральной линии снимка — для демпфирования полосового шума и к каждому спектральному пикселу данных — для компенсации случайного шума.
ОПИСАНИЕ МЕТОДА РАДИОМЕТРИЧЕСКОЙ КОРРЕКЦИИ ДАННЫХ ГИПЕРСПЕКТРАЛЬНОЙ СЪЕМКИ
Известен используемый для коррекции полосовых шумов метод "глобального линейного согласования детекторов" (Шовенгердт, 2010), заключающийся в пересчете каждого значения яркости таким образом, чтобы оценки двух первых случайных моментов каждой у -й "полосы" , а у,
которой принадлежит текущий элемент f исходного скалярного снимка (на одной спектральной линии), "приводились" к желаемым значениям eg, ag, например, рассчитанным для всего снимка в целом. Применительно к коррекции строчного шума метод сводится к пересчету каждого исходного значения разрешаемого элемента яркости в соответствии с выражением (Сойфер, 2003)
gij = eg + -e), i = 1,•••,N; J = i»-»M,(1)
где gy, fj — скорректированное и исходное значения яркости текущих элементов снимка; N, M — его размеры по горизонтали и вертикали соответственно.
Достоинством метода является высокое качество компенсации регулярного шума на участках изображений, отвечающих условию статистической однородности сюжета. Если же регистрируемый сюжет не удовлетворяет этому требованию, например, на части снимка присутствует значительная область однородного образования (типа водной поверхности, лесной зоны, поля), его влияние сказывается на появлении в другой части уже скорректированного изображения — артефактов в виде аномально затемненных или "осветленных" областей, принципиально отсутствующих на исходном снимке. Кроме того, такая яркостная коррекция позволяет получать достаточно высокое качество только в том случае, когда уровень присутствующего регулярного шума достаточно высок и соизмерим с общим уровнем яркостной модуляции по всему сюжету. Если же полученное изображение высокого качества и уровень модуляции "полосовым" шумом составляет величины в пределах 10—20% от всей шкалы, применение коррекции по выражению (1) приводит к снижению линейного разрешения по сравнению с исходным образом. Вместе с тем, по сути дела, оно должно возрастать.
Для предлагаемого метода коррекции, свободного от отмеченных недостатков, в ходе обработки как снимков в целом, так и фрагментов, предлагается адаптивный к уровню присутствующего на снимке регулярного шума метод, не ухудшающий основные свойства исходных образов при сохранении качества коррекции. Суть подхода состоит в разделении исходного образа на высокочастотную и низкочастотную части. При этом реализуется адаптивный выбор уровня воздействия регулярных возмущений, а собственно адаптация строится исходя из логико-алгебраической концепции синтеза моделей сложных процессов (Остриков, 2008). То есть полученное тем или иным средством регистрации изображение (на одно спектральной линии) рассматривается как сумма двух составляющих f = fy + fy, первая из которых fy отвечает за низкочастотную часть
снимка, а вторая / — за высокочастотную. Исходя из физического смысла, полосовой шум принадлежит преимущественно высокочастотной части образа. При этом уровень высокочастотного "среза", очевидно, определяется глубиной модуляции регулярным (и случайным) шумом.
Обозначим зависящим от некоторого "срезающего" параметра т преобразование сглаживания (выделения низкочастотной составляющей) изображения, так, что вторая, высокочастотная часть может быть представлена в виде
fy = f y - F(т*, fy),
(2)
где т = т* — такое значение параметра, которое обеспечивает рациональный, в смысле, означенном ниже, выбор уровня среза. Тогда, при использовании (1), рассматриваемый алгоритм коррекции полосового (в данном случае — строчного) шума строится на основе выражения
giу = т, /у] + ё, + а / - ёу)/ау, (3)
где аналогично тому, что было принято выше, ё;,, а — желаемые среднее и оценка второго центрального момента, рассчитанные уже не по исходному образу, а только по его высокочастотной части; ёу, Ну — те же величины, но рассчитанные для строк высокочастотного образа. То есть преобразование (3) аналогично (1), но выполнено для коррекции высокочастотного среза, содержащего большую часть модуляции регистрируемого сюжета регулярным полосовым шумом.
Для конечного решения задачи коррекции необходимо определить модель рационального выбора параметра сглаживания т* при заданном способе вычисления низкочастотной составляющей Г(т*, /у). В соответствии с общей концепцией синтеза моделей (Остриков, 2008) выбор параметра т = т* в выражении (2) должен быть построен, исходя из целевого предназначения описываемого такой моделью процесса. В данном случае целевым назначением получаемого среза является выбор такого его уровня (и значение искомого параметра сглаживания), который бы наилучшим образом соответствовал глубине модуляции снимка полосовым шумом. Поскольку помимо регулярного шума на снимке присутствует также обычный случайный шум, а также, в ходе сглаживания, в высокочастотной части, возможно, содержится некоторая смысловая информация сюжета, очевидно, что результат выделения будет представлять собой некоторый компромисс между этими тремя составляющими.
Такой компромисс в линейной теории оценивания обычно достигается на основе критерия оптимизации среднеквадратического отклонения невязки сглаживания. При этом для получения строго оптимального решения необходимо иметь
ВЛИЯНИЕ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ДАННЫХ
31
а б в г д
Рис. 1. Пример последовательной обработки на отдельной спектральной линии: а — исходный фрагмент, б — выделенные полосовые шумы, в — результат демпфирования полосового шума, г — результат демпфирования случайного шума, д — выделенный случайный шум.
полную модель оцениваемого процесса и действующего шума. Однако из постановки данной задачи очевидно, что оптимизация на основе явного критерия невозможна, поскольку сутью является как раз поиск значения сглаживающего параметра, при котором одновременно определяется модель процесса.
Для получения решения по рассматриваемому критерию потребуем, чтобы целевая функция оптимизировала среднеквадратическое отклонение невязки не на всей выборке, подвергаемой сглаживанию. Для этого выбирается ее часть, соответствующая совокупности таких "полос" на исходном снимке, средние значения совокупности элементов яркости на которых представляют собой меньшие на всех полосах значения. Совокупность индексов таких полос легко определяется путем ранжирования, например, всех средних значений строк (для строчного полосового шума), с последующим отбором первой половины соответствующих индексов. Обозначим совокупность отобранных строчных индексов "полос" на исходном снимке как область Q = {]к1},к = 1,...,Я, Я — число отобранных индексов, Я « М/3.
Тогда формальная постановка задачи равно -сильна выбору искомого параметра, который бы доставлял минимум среднеквадратической невязки сглаживания снимка на области отобранных индексов
N Я
т* = mm££[F(т, 8к) - gQik]2}. (4)
I=1 к=1
Критерий (4) является "внешним" (Ивахнен-ко, Юрачковский, 1978) по отношению к обычной постановке задачи сглаживания и, пользуясь терминологией логико-алгебраической концепции синтеза моде
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.