СПОСОБ РАСПОЗНАВАНИЯ ОБРАЗОВ ПРИРОДНО-ТЕХНОГЕННЫХ ОБЪЕКТОВ И ОЦЕНКИ ПАРАМЕТРОВ ИХ СОСТОЯНИЯ ПО ГИПЕРСПЕКТРАЛЬНЫМ ДАННЫМ АЭРОКОСМИЧЕСКОГО ЗОНДИРОВАНИЯ Российский патент 2011 года по МПК G01V9/00 

Изобретение относится к области обработки информации и может быть использовано для анализа и отображения гиперспектральных данных аэрокосмического зондирования на основе программно-алгоритмического обеспечения, реализующего вычислительные процедуры распознавания образов наблюдаемых объектов и восстановления параметров, характеризующих состояние почвенно-растительного покрова для каждого элемента обрабатываемых изображений.

Известен способ дискретизации данных гиперспектрального зондирования, попадающих в некоторые внутренние области гиперкубов (две пространственные координаты и длина волны), что при некоторых предположениях относительно распределения таких малых «кубов» служит основанием для уменьшения размерности исходных данных (Resmini R.D. A tool for the nonparametric characterization of the geometry of spectra in hyperspace. Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XV. Edited by Shen, Sylvia S.; Lewis, Paul E. Proceedings of the SPIE, Volume 7334, 2009, pp.73341S-73341S-9).

Недостатком данного способа является отсутствие в нем обоснования правил принятия решений о принадлежности любого обрабатываемого набора гиперспектральных данных к известному ранее классу соответствующих объектов. Отсутствуют в нем и правила обучения используемого классификатора на основе тестовой выборки, что необходимо для оптимизации необходимых расчетных процедур обработки данных. Рассмотрение возможностей сжатия информации, содержащейся в обрабатываемом гиперкубе данных, требует использования информационной меры распределения частот появления тех или иных градаций обрабатываемых данных гиперспектрального зондирования. В отмеченном способе уменьшения размерности исходных гиперкубов данных дистанционного зондирования не заложены требуемые основания для повышения эффективности используемых расчетных алгоритмов и программ, так как предлагаются чисто геометрические особенности реализации рассматриваемых методов и технологий.

Известен также способ пространственно-временной обработки изображений на основе алгоритмов совместного различения и восстановления (Патент РФ №2280893), включающий формирование моделей исходных изображений, определение их количества, структуры и параметров в соответствии с множеством рассматриваемых классов и имеющимися сведениями об исходных изображениях.

Основным недостатком этого способа является то, что его основная цель - рассмотрение пространственной структуры яркости одноканального изображения, когда обрабатываемое изображение сравнивается с некоторым эталонным изображением одной и той же территории, полученным в предшествующих условиях съемки.

Наиболее близким аналогом к предлагаемому изобретению является способ обработки многоспектральных изображений, который заключается в том, что после приема и регистрации на магнитном носителе цифровых данных аэрокосмического зондирования производится их географическая привязка, учет геометрических, радиометрических, радиационных, спектральных искажений данных, их отображение в определенной проекции карты. Сазонов Н.В., Дедаев Ю.Н., Вандышева Н.М. Назад, в будущее - к 30-летию создания автоматизированной информационно-управляющей системы «АИУС-Агроресурсы» // Информационный бюллетень, 2009, №2(69).

Недостатки этого способа состоят в том, что он предназначен для обработки аэрокосмических данных систем многоспектрального зондирования с малым числом измерительных каналов. В таких системах число спектральных каналов обычно не превышает десяти, в то время как в системах гиперспектрального зондирования реализуются одновременные измерения в сотнях каналов видимой и ближней инфракрасной области спектра. Соответственно, точности распознавания образов природно-техногенных объектов по данным ограниченного набора многоспектрального зондирования оказываются низкими в сравнении с аналогичными точностями при использовании большого числа спектральных каналов.

По причине малого числа используемых каналов основной формой информационной продукции обработки данных многоспектрального зондирования являются либо вегетационные индексы (некоторые комбинации спектральных каналов), либо результаты стандартной классификации объектов по ограниченному числу спектральных каналов. При обработке данных гиперспектрального зондирования обеспечивается выделение большего разнообразия классов объектов и отпадает необходимость использования упрощенного индексного приближения. Результаты обработки данных гиперспектрального зондирования позволяют выбрать оптимальное число каналов, обеспечивающих решение рассматриваемых задач с высокой точностью в отличие от результатов обработки данных многоспектрального зондирования, когда в процедурах задействуются лишь те каналы, которые заложены разработчиками соответствующей аппаратуры исходя из предварительных суждений о спектральных свойствах неких средних объектов. Возможности оптимизации спектральных каналов гиперспектрального зондирования дают новое качество системам распознавания образов наблюдаемых объектов. Минимальное число различимых классов соответствует характерным модам гистограмм распределения яркостей объектов в каждом спектральном канале. Обоснование максимального числа различимых классов возможно лишь при использовании данных гиперспектрального зондирования вследствие отмеченных ограничений каналов многоспектрального зондирования.

При обработке данных многоспектрального зондирования обычно используются вычислительные процедуры так называемой байесовской классификации. Их суть - в достижении среднего риска возможной неправильной классификации, когда требуются априорные сведения о конкретных объектах аэрокосмического мониторинга. При малом числе спектральных каналов в них закладывается и низкая точность решения задачи распознавания объектов при их реальном большом разнообразии. То же самое относится к приложениям методов максимального правдоподобия при использовании статистических процедур проверки гипотез при малом числе спектральных каналов. Точность решения рассматриваемых прикладных задач оказывается низкой и при использовании этого метода вследствие неопределенности знания исходной функции правдоподобия, т.е. соответствия конкретных данных многоспектрального зондирования гипотезе о том, что известен спектральный ход яркости лишь «средних» объектов, с которыми сравниваются многоспектральные данные.

При обработке данных как многоспектрального, так и гиперспектрального зондирования, могут использоваться также вычислительные процедуры кластер-анализа (группирования данных разных каналов в признаковом пространстве их возможного различения), но решение о разделении признакового пространства на соответствующее число классов в существующих приложениях принимает исключительно специалист-интерпретатор в интерактивной (диалоговой) системе обработки данных. Основой интерпретации многоспектральных изображений, которая называется в этом случае обычно «визуальным дешифрированием снимков», служит опыт такого специалиста в конкретной предметной области и в этом смысле носит субъективный характер. В предлагаемом способе обработки гиперспектральных изображений устранен этот недостаток и заложены основы минимаксной стратегии распознавания образов объектов с объективной оценкой информационной меры качества распознавания.

В основу предлагаемого изобретения положена задача повышения точности и эффективности распознавания образов природно-техногенных объектов по гиперспектральным данным аэрокосмического зондирования. Поставленные цели достигаются нахождением в предлагаемых расчетных процедурах максимального числа различимых классов с выделением средних спектров для каждого из получаемых классов и определением информационной меры изменчивости этих спектров в общей совокупности элементов разрешения, относящихся к соответствующему классу. Тем самым, обосновывается возможная мера избыточности используемых каналов гиперспектрального зондирования в выбранной схеме распознавания образов наблюдаемых объектов. Обосновывается также информационная мера отклонения каждого текущего спектрального распределения регистрируемых данных для всей совокупности элементов разрешения относительно выделенных «истинных средних» (с учетом возможной корреляции каналов) спектров для каждого класса. Создаются условия для объективной оценки точности решения рассматриваемых прикладных задач в отличие от существующих стандартных схем классификации объектов по их гиперспектральным изображениям, когда в выходной продукции обработки данных закладывается теоретическая точность байесовской стратегии, метода максимального правдоподобия или кластер-анализа без учета оптимального выбора спектральных каналов и существования корреляций между ними.

Сущность предлагаемого изобретения заключается в том, что сначала производят прием и регистрацию на магнитном носителе цифровых данных, затем эти данные обрабатывают путем проведения их географической привязки, учета геометрических, радиометрических и спектральных искажений данных, производится сжатие информации. Проводят поиск конкретного спектрального канала максимальной различимости классов по гистограммам яркости наблюдаемых объектов, нахождение максимального числа различимых классов в этом спектральном канале при рассмотрении всей совокупности экстремумов и точек перегиба гистограммы, идентификация элементов разрешения, соответствующих среднему («эталонному») спектру для каждого выделенного таким образом класса и введенной информационной мере изменчивости этого спектра с учетом возможной корреляции каналов, затем на основе выборочных данных, относящихся к каждому из выделенных классов, производят построение автоматизированного классификатора, с помощью которого происходит отнесение всех текущих элементов разрешения к тем или иным классам в соответствии с общим набором эталонных спектров и информационных мер изменчивости этих спектров. Заключительная процедура - восстановление параметров, характеризующих состояние объектов класса «растительность» для каждого элемента разрешения таких объектов.

Перечень чертежей и их краткое описание.

Фиг.1. Аэрофотоснимок (а) тестовой территории и отображение этой территории со щели гиперспектрометра в одном из спектральных каналов (b).

Фиг.2. Распознавание природных и антропогенных объектов по данным гиперспектральной съемки на выбранную дату съемки. Верхний снимок - классификация на основе предлагаемого технологического приема, нижний снимок - элементы разрешения, использованные для обучения процедуры классификации.

Фиг.3. Цветовое отображение результатов распознавания образов объектов, представленных на Фиг.2, в терминах полученных результатов классификации (нижняя шкала, относящаяся к части а рисунка: трава, почва, вода, асфальт дорожной сети) вместе с результатами поэлементного восстановления объема фитомассы растительности (цветовая шкала вверху от нуля до 1 кг/м²) в сравнении с отображением всех элементов разрешения в терминах индекса NDVI (б).

Предлагаемый способ распознавания образов природно-техногенных объектов и оценки параметров их состояния по гиперспектральным данным аэрокосмического зондирования осуществляется следующим образом. Производится расчет гистограммы распределений яркости всех элементов разрешения в каждом спектральном канале и по ширине гистограмм, наличию на них максимумов и минимумов, а также точек перегиба распределений яркости находят наиболее информативный канал максимальной различимости объектов. Гистограмма для этого канала служит функцией правдоподобия в решаемой задаче распознавания образов наблюдаемых объектов. Полученные характерные точки перегиба (изменения производных от частот появления соответствующих объектов по градациям их яркостей) на гистограмме выбранного канала характеризуют наличие разных классов объектов (вода, различные типы почв и растительности, дорожно-транспортная сеть, населенные пункты и т.д.).

После уточнения границы между найденными классами для каждого из них рассчитывается средний спектр и информационная мера его изменчивости. Учитывается возможная корреляция данных между каналами, что позволяет найти «истинный» средний спектр данного класса, который в реальности можно назвать «эталонным», и так называемый гипер-эллипсоид рассеяния, направление главной оси которого определяется собственными векторами межканальной ковариационной матрицы, а длина оси характеризует собственные значения этой матрицы.

Последующий этап реализации предлагаемого способа состоит в том, что для каждого элемента разрешения обрабатываемого гиперкуба данных рассчитывается минимум евклидова расстояния между текущим спектром и средним спектром эталонного объекта, что служит обоснованием точности решения задачи классификации объектов на основе описанных выше вычислительных процедур обработки конкретного гиперкуба данных. Для элементов разрешения, относящихся к классу «растительность», восстанавливаются значения объема фитомассы и общей биомассы растительности путем обращения функционала регистрируемых интенсивностей излучения при сравнении этих интенсивностей с результатами модельных расчетов полей уходящего излучения в каждом спектральном канале. Для лесных экосистем определяется также породный состав (лиственные, хвойные, смешанные) и тип межкроновой растительности (трава, кустарники, болота и т.п.).

Следующие примеры иллюстрируют данный способ для выбранного тестового участка летных испытаний отечественной гиперспектральной аппаратуры разработки НПО «Лептой», г.Зеленоград. Комплекс приборов, используемых в полете, состоял из: гиперспектрометра; системы крепления и подвески аппаратуры на самолете; GPS-навигатора Garmin с внешней антенной; ноутбука. Параллельно с гиперспектральной съемкой осуществлялась аэрофотосъемка цифровой камерой. Съемка проводилась с самолета АН-2 на высоте 1200-2000 м.

Полетные задания включали следующие этапы. Перед каждым полетом его конкретный маршрут (он может состоять, например, из десятка характерных точек) заносится в GPS-приемник летчика и штурмана. В процессе полета штурман отслеживает траекторию движения самолета так, чтобы он прошел через выделенные точки маршрута с его корректировкой в соответствии со скоростью и направлением ветра, с учетом возможного появления слоев низких облаков и т.п. В соответствии с этой корректировкой из десятка выбранных маршрутов съемкой могут быть охвачены лишь единицы. Оператор гиперспектральной съемки, имея свой GPS-приемник, самостоятельно производит регистрацию спектров, ориентируясь на выделенные в полетном задании маршруты. Для каждого из выбранных полетных треков данные гиперспектральной съемки записываются на борту на DVD-диски в специальном формате, предлагаемом разработчиками аппаратуры. В процессе наземной обработки этих дисков данные летных испытаний гиперспектрометра, откорректированные с учетом геометрических и других искажений, переводятся в формат серий данных обработки. В итоге появляется возможность автоматизации обработки таких серий данных гиперспектральной аэросъемки. При необходимости может осуществляться попиксельная визуализация каждого зарегистрированного спектра путем вывода его на дисплей компьютера.

На Фиг.1 дан пример соответствия данных аэрофото- и гиперспектральной съемки (цифровая матрица около 2000×500 элементов разрешения, соответственно) для одного из выбранных треков самолета. Пример Фиг.1 приведен для наглядности совмещения материалов аэрофотосъемки (а) и гиперспектральной съемки (b). Можно видеть характерные особенности отображения выбранной территории при синхронной аэрофотосъемке и по данным со щели гиперспектрометра в выбранном спектральном канале.

Пример реализации предлагаемого способа распознавания образов наблюдаемых объектов показан на Фиг.2. Лесоустроительные работы регулярно проводятся соответствующими службами в пределах отдельных кварталов, внутри которых уточняются контура распределения (называются выделами) древостоев, занимаемых площадей конкретными породами, определенного возраста, качества древесины и т.п. В лесоведении приняты характерные записи указанных распределений в виде условного номера соответствующего выдела, среднего возраста древостоев в его пределах, площади выдела и бонитета (качества древесины). Данные гиперспектральной и аэрофотосъемки (Фиг.2) достаточно хорошо соответствуют данным наземных лесотаксационных обследований выбранной территории.

В соответствии с данными Фиг.2 выделяются следующие породы лесной растительности: сосняки (преобладают на рассматриваемой территории); березняки и остальные лиственные породы (ольха и т.п.). Ближе к правой части Фиг.2 заметно преобладание разных типов луговой растительности и открытых почвогрунтов. Можно отметить следующие характерные особенности территории, изображенной на Фиг.2 (слева направо) - дорога поперек направления маршрута; вырубка; увеличение содержания луговой растительности и почвогрунтов по мере приближения к реке (справа на изображениях Фиг.2).

Данные Фиг.3 дают представление о значительно более высоком качестве выходной информационной продукции в рамках предлагаемого способа (a) в сравнении с традиционным отображением (b) обрабатываемых данных гиперспектрометра с помощью «индекса нормализованной разности» (Normalized Difference Vegetation Index/NDVI). Как видно из данных Фиг.3b, данные NDVI дают возможность различения лишь малой части объектов (растительность в «хорошем состоянии», растительность в «плохом состоянии», открытая почва, вода, бетон). Предлагаемая новая информационная продукция (Фиг.3a) дает представление о тонкой структуре объектов почвенно-растительного покрова в терминах объема фитомассы растительности.

В итоге оказывается возможным получение более точных материалов по лесоинвентаризационным и другим аналогичным работам в сравнении с данными наземных лесотаксационных обследований (проводятся один раз в 5-10 лет выборочным образом), которые при традиционных обследованиях содержат большие погрешности. Кроме того, открываются перспективы различения других характерных особенностей наблюдаемых объектов по тонкой структуре регистрируемых спектров.

Изобретение относится к области геофизики и может быть использовано при распознавании образов природно-техногенных объектов и оценки параметров их состояния по гиперспектральным данным аэрокосмического зондирования. Сущность: производят прием и регистрацию на магнитном носителе цифровых гиперспектральных данных аэрокосмического зондирования. Обрабатывают полученные данные путем проведения их географической привязки. Учитывают геометрические, радиометрические и спектральные искажения данных. Производят поиск конкретного спектрального канала максимальной различимости классов по гистограммам яркости наблюдаемых объектов. Находят максимальное число различимых классов в этом спектральном канале. Идентифицируют элементы разрешения, соответствующие среднему («эталонному») спектру. Причем идентифицируют элементы для каждого выделенного таким образом класса и введенной информационной меры изменчивости этого спектра. При идентификации учитывают возможную корреляцию каналов. Производят построение автоматизированного классификатора на основе выборочных данных. Автоматизированно относят все текущие элементы разрешения к тем или иным классам в соответствии с общим набором эталонных спектров и информационных мер изменчивости этих спектров. Восстанавливают параметры, характеризующие состояние объектов класса «растительность» для каждого элемента разрешения таких объектов. Технический результат: повышение точности. 1 з.п. ф-лы, 3 ил.

1. Способ распознавания образов природно-техногенных объектов и оценки параметров их состояния по гиперспектральным данным аэрокосмического зондирования, включающий прием и регистрацию на магнитном носителе цифровых данных аэрокосмического зондирования, обработку этих данных путем проведения их географической привязки, учет геометрических, радиометрических и атмосферных искажений данных с последующим отображением обработанных данных в определенной проекции географической карты исследуемой местности, отличающийся тем, что дополнительно при обработке данных производится поиск конкретного спектрального канала максимальной различимости классов, нахождение максимального числа различимых классов в этом спектральном канале, идентификация элементов разрешения, соответствующих среднему («эталонному») спектру для каждого выделенного таким образом класса и введенной информационной мере изменчивости этого спектра с учетом возможной корреляции каналов, затем на основе выборочных данных, относящихся к каждому из выделенных классов, производят построение автоматизированного классификатора, с помощью которого происходит отнесение всех текущих элементов разрешения к тем или иным классам.

2. Способ по п.1, отличающийся тем, что в дополнение к результатам распознавания образов указанных объектов производится поэлементное восстановление соответствующих параметров.