АВТОМАТИЗАЦИЯ ОБРАБОТКИ ГИПЕРСПЕКТРАЛЬНЫХ ДАННЫХ
САМОЛЕТНОГО ЗОНДИРОВАНИЯ
© 2013 г. В. В. Козодеров1*, В. Д. Егоров2
Московский государственный университет им. М.В. Ломоносова 2Институт вычислительной математики РАН, Москва *Е-таИ: vkozod@mail.ru Поступила в редакцию 12.05.2013 г.
Предлагается автоматизированная система разделения спектральных плотностей энергетической яркости, регистрируемых аппаратурой гиперспектрального самолетного зондирования, на основе рассмотрения средних спектров и их внутриклассовой изменчивости с разделением пикселов, относящихся к освещенным и затененным элементам кроны деревьев разного породного состава и возраста. В качестве априорных сведений используются картосхемы наземной лесотаксации для выбранной территории самолетного зондирования. Система в автоматизированном режиме на основе выделенных контуров объектов на обрабатываемом изображении формирует базу данных выбранных классов объектов. Демонстрируются возможности различимости этих классов на основе величин смещения спектров при переходе от полосы поглощения хлорофилла к максимуму спектральной отражательной способности растительности.
Ключевые слова: обработка гиперспектральных изображений, распознавание объектов, характерные признаки растительности
Б01: 10.7868/80205961413060031
ВВЕДЕНИЕ
Основу приложений методов аэрокосмической гиперспектрометрии составляет построение разных типов классификаторов (вычислительных процедур) для распознавания природно-техногенных объектов оценки содержания хлорофилла (основного пигмента листвы/хвои) по гиперспектральным изображениям (ГСИ). Качество классификатора зависит как от размера обучающей выборки, так и ценности используемых выборочных данных. Неизбежно возникает задача оптимизации свойств классификатора, т.е. максимизации возможности его применения для обучающего набора данных, который не всегда применим для тестового набора данных, а также его способности к генерализации, т.е. возможным приложениям классификатора для тестовых образов, которые изначально не закладывались на стадии обучения.
Исследования последних лет показали, что данные гиперспектрального аэрокосмического зондирования способствуют улучшению точности распознавания разных типов растительных покровов. От многоканальных приборов, которые позволяют получать изображения земной поверхности на ограниченном числе каналов (обычно не превышающем десяти) в видимой области спектра солнечного излучения и ближнем ИК-диапазоне (БИК), ин-
терес исследовательского сообщества смещается в сторону использования гиперспектральных приборов. Такие системы дистанционного зондирования (ДЗ) содержат до нескольких сот спектральных каналов, ширина которых не превышает нескольких нанометров (в отдельных случаях это может быть 10-20 нм).
Первые приложения данных самолетной гиперспектрометрии носили в значительной степени экологический характер, открывая новые возможности мониторинга загрязнений природной среды от воздействия добычи полезных ископаемых (Collins et al., 1983). Одной из первых специализированных систем дистанционной гиперспектрометрии считается аппаратура Airborne Visible and Infrared Imaging Spectrometer — AVIRIS (самолетный спектрометр, дающий изображения в видимой и ИК-областях) (Vane, Goetz, 1988). Аппаратура обеспечивала получение данных синхронно в сотнях спектральных каналов в области длин волн 0.4—2.5 мкм с шириной каждого канала в 10 нм и выше. При таком разрешении в регистрируемых данных проявляются отдельные линии и полосы поглощения солнечного излучения атмосферными газами и другими соединениями: кислородом, озоном, водяным паром и др. Было показано, что полосы поглощения основных при-
5
65
родных минералов в горных породах и почвах расположены в области длин волн более 1 мкм. Коротковолновые спектральные каналы полезны с точки зрения оценки состояния растительности.
Отметим следующие научные и прикладные задачи, решаемые с помощью данных гиперспектрального зондирования: улучшение информационного содержания спектральных данных в процессе обнаружении стрессового состояния растительности (Carter, 1998); идентификация малых различий в проективном покрытии вегетирующей растительности (McGwire et al., 1999); изучение биохимических характеристик, таких как содержание азота в растениях (Curran et al., 1997); различение разных типов растительного покрова (Janetos, Justice, 2000); вариации влажности посевов (Penuelas et al., 1995); определение концентрации пигментов листьев растений (Blackburn, Steele, 1999); моделирование количественных характеристик урожайности с.-х. культур (Thenkabail, 2002); улучшение обнаружения изменений в разреженной растительности (Lyon et al., 1998).
Основная проблема развития возникающих приложений — отсутствие реальных обоснований того, какие объекты можно распознать по данным аэрофотосъемки и по данным многоспектрального и гиперспектрального зондирования в сравнении с теми возможностями, которые реализуются с помощью опытного специалиста-дешифровщика. Роль такого специалиста резко уменьшается при использовании всей совокупности данных сотен каналов гиперспектрального зондирования. Преимущества данных гиперспектрального зондирования над двумя другими упомянутыми типами аэро- и космической съемки — в доказательстве повышения точности распознавания объектов. Кроме того, в прежних приложениях данных ДЗ далеко не всегда требовалась обработка данных в реальном масштабе времени. В новых приложениях возрастает роль автоматизированных систем распознавания объектов по данным гиперспектрального зондирования. В работе (Chang et al., 2001) демонстрируется начальный этап использования параллельных вычислительных алгоритмов распознавания объектов для повышения эффективности обработки ГСИ. Использовались данные аппаратуры AVIRIS и 210-ка-нальной аппаратуры, названной " Экспериментальная аппаратура по сбору цифровых гиперспектральных изображений" (Hyperspectral Digital Imagery Collection Experiment — HYDICE), разработки Военно-морской исследовательской лаборатории (Naval Research Laboratory — NRL) США.
Значительная часть исследований разных видов растительности по данным самолетной гиперспектрометрии традиционно сосредоточена в спектральной области 400—1000 нм. Активно участвуют в создании таких приборов и отече-
ственные разработчики. На протяжении последних лет к опытной эксплуатации гиперспектральной аппаратуры производства НПО "Леп-тон", г. Зеленоград, причастны авторы данной статьи. Это гиперспектральные камеры (ГСК), позволяющие получать цифровые попиксель-ные изображения при установке на самолетные платформы с разрешением не хуже, чем 2—3 м на пиксел изображения с высоты полета самолета в 1—2 км над поверхностью.
В работе (Козодеров, Егоров, 2011) предлагается создание базы данных самолетного гиперспектрального зондирования на основе группирования спектров по величине смещения по длине волны области перехода от основной полосы поглощения солнечного излучения хлорофиллом к максимуму спектральной отражательной способности растительности. В работе (Козодеров и др., 2012) показаны особенности приложений данных гиперспектрального самолетного зондирования для решения задач распознавания природно-техногенных объектов и оценки параметров, характеризующих состояние лесной растительности.
Настоящая публикация посвящена демонстрации результатов автоматизации обработки данных гиперспектральной аппаратуры, содержащей около 290 спектральных каналов, которая устанавливалась на самолетную гиростабилизирован-ную платформу во время летной кампании 2011 г. и позволяла получать изображения зондируемой поверхности. Изображения представляют собой матрицы размером примерно 500 х 10000 пикселов, где 500 — это ширина трека, а 10000 — длина трека, которая определяется включением и выключением гиперспектральной камеры на борту самолета. Параллельно включенный GPS-навигатор дает информацию о начале и конце записи трека с привязкой по широте и долготе местности с точностью до секунды. Около двух десятков таких записанных треков (это несколько десятков гигабайт упакованной информации) используются для предлагаемой автоматизации обработки получаемых ГСИ.
Иллюстрируемые примеры относятся к тестовой территории Тверской обл. С точки зрения географической привязки данных гиперспектральной дистанционной съемки, район интересен тем, что для него существуют достаточно детальные ле-сотаксационные карты местности, на которых отображен породный состав лесной растительности. Карты эти были построены по данным наземных обследований в форме отдельных кварталов и выделов внутри этих кварталов.
а
Рис. 2. Фрагменты правой части рис. 1а и контуры участков, выделенных по данным наземной лесотаксации: а — участок № 54, соответствует преобладающим березнякам; б — участки № 52, 40, 50 — соответствуют преобладающим березнякам, соснякам, ельникам; в — участки № 42, 44, 46, 48 — соответствуют преобладающим соснякам разного возраста.
ОСОБЕННОСТИ РАСПОЗНАВАНИЯ ОБЪЕКТОВ ПО СПЕКТРАЛЬНЫМ ПРИЗНАКАМ
Возможности распознавания природно-техно-генных объектов по спектральным признакам основаны на различиях регистрируемых спектральных плотностей энергетической яркости (СПЭЯ) в указанном диапазоне длин волн. Такие объекты, как водные поверхности, открытые почвы, проселочные и шоссейные дороги, разные типы растительности уверенно распознаются разработанными методами. Значительно сложнее различить похожие по спектральному характеру разные типы
лесной растительности. Несмотря на то, что известные кривые спектрального хода, соответствующие разным породам деревьев, различаются между собой (Козодеров, Кондранин, 2008), при самолетной съемке с разрешением 1—3 м на пиксел все спектры (в пределах самолетного трека может содержаться до 5 и более млн спектров) на первый взгляд выглядят весьма похоже. Обработка такого числа спектров традиционными методами представляется весьма проблематичной и затратной по времени. Цель исследований авторов данной публикации — создание эффективной автоматизированной системы обработки данных
а
О N24^»" . " ¡рр ■ ФЩы N30^^
; ^л**
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.