Software & Systems

Общепризнано, что задача оперативного мониторинга изменений метрики, содержания и свойств географических объектов земной поверхности (объектового состава цифровых топографических карт (ЦТК)) достаточно актуальна. Такие изменения объектов как природного, так и антропогенного происхождения обусловлены постоянным воздействием на окружающую среду естественных факторов и хозяйственной деятельности человека.

В настоящее время эффективное решение этой задачи возможно на основе результатов автоматизированного анализа данных дистанционного зондирования Земли из космоса, значительную часть которых составляют космические снимки (КС) земной поверхности. Существенные изменения в объектовом составе могут быть обнаружены в результате анализа изображений различных объектов на разновременных КС одного и того же участка местности (см. рис. 1).

Учитывая исключительную трудоемкость ручной обработки больших объемов данных космической съемки, особую актуальность приобретает разработка автоматизированных средств выполнения этой процедуры. Существующий математический аппарат обработки и анализа изображений, а также теории распознавания образов позволяет создать эффективные автоматические средства для обнаружения и анализа степени структурных изменений изображений объектов на разновременных КС [1, 2]. Здесь под структурным изме- нением изображения объекта понимается суще- ственное изменение наблюдаемой сцены типа появления, исчезновения или изменения формы изображения объекта. Структурными изменениями считаются такие изменения изображений, которые не моделируются с помощью аддитивного шума или линейных фильтров. Наглядным примером структурных изменений изображения объекта является изменение его геометрии.

Математический аппарат

Входными данными для алгоритмов анализа структурных различий изображений является пара фрагментов (например, разновременных КС одного и того же участка местности), которые имеют одинаковые размеры (в пикселях) и геометрически совмещены, то есть между их точками (пикселями) существует взаимно-однозначное соответствие.

Предварительно для устранения неструктурных различий изображений (вызванных влиянием условий получения изображений или изменением цвета изображений объектов) проводится относительная радиометрическая коррекция таких фрагментов, заключающаяся в «выравнивании» яркостей изображений с сохранением их структуры. Для этого используется специальная функция преобразования яркости, которая представляет собой регуляризованный вариант морфологического проектора Пытьева.

Пусть множество пикселей X – подмножество плоскости R2. Под изображением f будем понимать функцию f: X®R. Значение f(x) будем называть яркостью изображения f в точке x Î X.

Морфологический проектор. Для устранения влияния условий получения изображений в [3, 4] был предложен оператор морфологического проектирования:

,

где

Содержательно морфологический проектор выполняет усреднение яркости второго изображения g по уровням яркости первого f. Такой подход оптимален в случае отсутствия шума, то есть когда каждый уровень яркости соответствует определенному объекту. Но при наличии на изображениях шума появляются «ложные» уровни яркости, которые морфологический проектор будет сохранять, что негативно сказывается на результате поиска структурных изменений.

Регуляризованный морфологический проектор. Для устранения влияния шума требуется прибегать к методам регуляризации. Один из вариантов борьбы с шумом, основанный на морфологической сегментации исходных изображений, описан в [5]. В данной работе используется другой подход, идея которого состоит в сглаживании характеристических функций уровней яркости.

Сначала выполняется сглаживание яркости второго изображения. Для зафиксированной яркости i усреднение яркостей второго изображения будет проводиться по всему множеству пикселей со следующими весами:

,

где σс – параметр сглаживания. Таким образом, в точках, соответствующих зафиксированному уровню яркости i первого изображения, вес будет равен 1 (как и для морфологического проектора), а в остальных точках – числу от 0 до 1 в зависимости от того, насколько близка яркость текущей точки x к яркости i (для морфологического проектора в случае несовпадения яркостей было строго 0).

Далее производится сглаживание яркостей первого изображения. Для каждого уровня яркости i (первого изображения) строится изображение , размеры которого совпадают с размерами исходных изображений, а яркости определяются по формуле .

То есть яркость пикселя x на изображении  вычисляется по сглаженному изображению g и берется с определенным весом, который будет максимален, если на изображении f яркость этого пикселя равна i, и тем меньше, чем больше разность между яркостями f(x) и i. Далее все изображения  попиксельно складываются и яркость каждой точки делится на ее суммарный вес. Итоговая формула регуляризованного морфологического проектора будет следующей:

.

Таким образом, полученная функция сохраняет преимущества морфологического проектора (устранение влияния условий регистрации) и при этом подавляет случайный шум, присутствующий на исходных изображениях.

Алгоритм автоматического анализа структурных различий изображений. В основе реализации лежит алгоритм, предложенный в [6]. Общая схема алгоритма поиска структурных различий следующая.

Исходная пара изображений сканируется локальным окном заданного размера d. Для каждого положения окна производится последовательность операций.

1.     Построение регуляризованных морфологических проекторов Pf  и Pg. Использование схемы с двумя функциями позволяет добиться симметризации результата, то есть его независимости от порядка изображений.

2.     Строятся преобразованные изображения f¢=Pfg и g¢=Pgf, при этом изображение f¢ «выровнено» по яркости изображения g с сохранением исходной структуры, и аналогично – для изображения g¢.

3.     Строятся «разностные» изображения Rfg = ½f¢–g½ и Rgf = ½g¢– f½.

4.     Для завершения симметризации строится изображение R=max(Rfg, Rgf), яркость точки которого характеризует величину структурного несоответствия исходных изображений, то есть чем ярче точка, тем вероятнее, что в ней присутствует структурное различие.

5.     Производится пороговая обработка изображения R. Если итоговый ответ положительный, то есть в данном окне присутствуют структурные различия, то в его центр записывается значение 255, если нет, то 0. Далее из этих точек формируются связные области структурных различий – конечный результат работы алгоритма (на рисунках 1–3 границы областей отображаются белым цветом).

Пакет программ для автоматического анализа степени структурных изменений изображений объектового состава на земной поверхности

Пакет программ «Детектор структурных изменений» (Structural Changes Detection, далее SCD) предназначен для автоматизированного обнаружения и выделения на разновременных КС одного и того же участка местности областей, содержащих структурные изменения изображений объектового состава земной поверхности, и для анализа степени таких изменений. В рамках пакета реализован разработанный на основе приведенного выше математического аппарата алгоритм анализа структурных различий изображений. Здесь выявленные на разновременных КС структурные различия изображений интерпретируются как структурные изменения изображений объектового состава земной поверхности.

SCD разработан с помощью инструментальных средств встроенного в геоинформационную систему «ENVI» (далее ENVI) [7] языка программирования IDL. Процедуры обнаружения, выделения и анализа структурных различий изображений программно реализованы в виде динамических библиотек. SCD интегрируется в ENVI в виде отдельного функционального модуля. Пакет SCD обладает эргономичным и интуитивно понятным пользовательским интерфейсом, его функциональные возможности позволяют оперативно обрабатывать и анализировать фрагменты КС достаточно больших размеров. На рисунке 4 представлена общая блок-схема SCD.

SCD состоит из следующих основных функциональных модулей:

–      модуль загрузки исходных данных и сохранения результатов работы во внешних файлах;

–      модуль отображения исходных данных (пары соответственных фрагментов КС и др.) и результатов их обработки и анализа;

–      модуль процедур обнаружения, выделения и анализа областей со структурными различиями изображений объектов.

Первый модуль предназначен для загрузки исходных данных во внутренние структуры SCD и ENVI и сохранения во внешних файлах результатов работы (рис. 2). Исходными данными является пара фрагментов разновременных КС одного и того же участка местности. Предполагается, что эти фрагменты имеют одинаковые размеры (в пикселях) и геометрически совмещены. Кроме того, для таких фрагментов может быть указана географическая привязка их угловых точек. Информация о географической привязке используется для сохранения результатов анализа структурных изменений изображений объектов на ЦТК и для проведения такого анализа для отдельных номенклатурных листов ЦТК [8], покрывающих обрабатываемые фрагменты КС.

В SCD реализована возможность загрузить требуемую ЦТК, используя стандартный интерфейс ENVI, и затем сохранить в ней границы выделенных областей со структурными изменениями изображений объектов.

Для сохранения настроек текущего сеанса работы с SCD используется проект пользователя. Этот проект представляет собой текстовый файл, в котором содержатся имена файлов с обрабатываемыми фрагментами КС, имя файла с ЦТК, данные о географической привязке фрагментов, текущие значения настраиваемых параметров процедур обработки фрагментов и поиска на них структурных различий изображений объектов, а также другая служебная информация (имена каталогов для размещения временных файлов и др.). При очередном сеансе работы с SCD такой проект пользователя может быть использован для пакетного ввода исходных данных и инициализации значений параметров процедур.

Второй модуль реализован в виде рабочего стола (см. рис. 2), представляющего собой главное окно SCD, основные функции которого следующие:

–      инициализация процедур загрузки исходных данных (фрагментов КС и др.);

–      отображение исходных данных и результатов их обработки и анализа;

–      установка значений параметров процедур обработки исходных данных и анализа ее результатов;

–      инициализация процедур автоматического обнаружения и выделения структурных различий изображений объектового состава на паре соответственных фрагментов разновременных КС;

–      инициализация процедур автоматического анализа степени структурных различий изображений объектов как на фрагментах КС в целом, так и на покрывающих фрагменты номенклатурных листах ЦТК указанного пользователем масштаба;

–      инициализация процедур сохранения результатов работы во внешних файлах.

Главное окно SCD содержит стандартные визуальные компоненты (графические окна, панели, таблицы, меню, ползунковые регуляторы и др.), предназначенные для отображения графических, числовых, текстовых данных, для установки значений рабочих параметров и вызова процедур (см. рис. 2).

Третий модуль организован в виде динамических библиотек. В этих библиотеках реализованы численные процедуры предварительной обработки соответственных фрагментов двух КС (модуль обнаружения всех структурных различий изображений объектов). В них же содержатся и проце- дуры автоматического анализа результатов предварительной обработки фрагментов с целью вы- деления на них областей, содержащих различия изображений объектового состава (модуль выделения областей со структурными различиями, превышающими заданный порог), а также процедуры оценки степени таких различий (модуль анализа степени выделенных структурных различий изображений объектов).

В текущей версии SCD существует возможность настройки значения только одного параметра реализованных в этом пакете алгоритмов. Этот параметр, называемый порогом (Threshold), ответственен за чувствительность алгоритма обнаружения и анализа структурных различий изображений. Значение порога варьируется от 0 до 255. Его нулевое значение соответствует ситуации, когда выделяемой областью структурных различий является весь фрагмент, значение, равное 255, – минимальному числу выявленных структурных различий. Результаты численных экспериментов показывают, что для полутоновых КС разрешений до 6 метров достаточно адекватным является значение порога, которое выбирается в пределах от 20 до 30. Наиболее подходящее значение этого параметра определяется индивидуально для анализируемых КС и зависит от многих факторов, в том числе от соотношения разрешений КС, уровня случайных шумов, степени искажений изображений объектов на них.

Для двух фрагментов КС степень структурных изменений изображений объектов вычисляется как отношение суммы площадей выделенных областей со структурными различиями изображений объектов к площади всего фрагмента, которое затем умножается на 100. Для номенклатурного листа ЦТК на 100 умножается отношение суммы площадей пересечений таких областей с листом к площади пересечения листа с фрагментом.

Процесс подготовки исходных данных и выполнения процедуры обнаружения и анализа степени структурных изменений изображений объектового состава на разновременных КС включает следующие операции.

1.     Устранение угловых искажений, вызванных условиями получения снимков, на паре разновременных КС – угловая ориентация съемочной аппаратуры и т.п.

2.     Выбор на КС пары соответственных фрагментов и их предварительная обработка с целью приведения фрагментов к одинаковому (более грубому) разрешению – выравнивание разрешений фрагментов.

3.     Географическая привязка фрагментов – формирование списка географических координат угловых точек фрагмента.

4.     Обнаружение на паре соответственных фрагментов всех структурных различий изображений объектового состава. В результате выполнения этой наиболее трудоемкой и длительной по времени операции автоматически создается служебный файл со специальным полутоновым изображением, содержащим информацию обо всех структурных различиях изображений объектов на анализируемых фрагментах.

5.     Настройка параметров процедур выделения структурных различий изображений объектов и анализа степени структурных изменений на фрагментах разновременных КС (рис. 3):

–      установка значения порога степени структурных изменений (на рис. 3 равен 20);

–      выбор масштаба ЦТК и формирование соответствующего списка покрывающих анализируемые фрагменты номенклатурных листов с указанием для каждого листа степени покрытия (на рис. 2, 3 – 1:100 000).

6.     Автоматическое выделение на фрагментах областей со структурными различиями изображений объектов, степень структурных различий которых не превышает заданный порог, с указанием для каждого номенклатурного листа степени структурных изменений изображений объектового состава на той его части, которая покрывает анализируемые фрагменты (рис. 2).

7.     Сохранение метрической информации об областях со структурными изменениями изображений объектового состава во внешних файлах в формате, поддерживаемом известными геоинформационными системами, например ГИС «ENVI».

На рисунках 2 и 3 представлен рабочий стол SCD, на котором отображены два соответственных фрагмента разновременных черно-белых полутоновых КС одного из районов Московской области: более ранний КС (справа) – 1996 г., разрешение 6 м; более поздний КС (слева) – 2004 г., разрешение 1,5 м. Предварительно разрешение более позднего КС с помощью гауссиана было «размыто» до 6 м. Данные о географической привязке этих фрагментов позволили определить список номенклатурных листов ЦТК указанного пользователем масштаба 1 : 100 000 с различной степенью изменений объектов. Результаты анализа степени структурных изменений изображений объектового состава для этих фрагментов приведены в таблице.

Результаты анализа структурных изменений изображений объектов

Как видно из рисунка 2 и таблицы, степень структурных изменений изображений объектового состава на анализируемых фрагментах разновременных КС (см. рис. 2) для значения порога, равного 20, составила приблизительно 20 %. При этом данные фрагменты частично расположены на следующих четырех номенклатурных листах ЦТК масштаба 1 : 100 000:

М-37-129 – 0,0146 % площади листа покрывают фрагменты КС, степень структурных изменений на этой части листа составила 5,4 %;

М-37-141 – 0,008 % площади листа покрывают фрагменты КС, степень структурных изменений на этой части листа составила 5,546 %;

М-37-130 – 0,03 % площади листа покрывают фрагменты КС, степень структурных изменений на этой части листа составила 7,29 %;

М-37-142 – 0,009 % площади листа покрывают фрагменты КС, степень структурных изменений на этой части листа составила 1,91 %.

Результаты численных экспериментов для этих фрагментов показывают, что при их анализе уменьшение значения порога до 10 приводит к излишней чувствительности алгоритма к структурным различиям изображений объектов, из-за чего практически любое изменение яркости воспринимается как структурное различие. Увеличение значения порога до 35 приводит к очевидно недостаточной детализации структурных различий изображений объектового состава. Полученные данные о степени структурных изменений объектов на номенклатурных листах ЦТК могут служить обоснованием для планирования топографического мониторинга заданной территории.

Таким образом, численная апробация разработанных методов автоматизированного анализа степени структурных изменений изображений объектового состава на разновременных КС земной поверхности позволяет сделать общее заключение об их достаточной эффективности при решении широкого круга актуальных прикладных задач. Прежде всего пакет SCD может быть использован для оперативного анализа актуальности существующих ЦТК различных масштабов с целью принятия решения об обновлении отдельных номенклатурных листов ЦТК того или иного масштаба в зависимости от степени выявленных структурных изменений изображений объектов на фрагментах разновременных КС соответствующего участка местности. Кроме того, этот пакет может применяться для решения задач оперативного мониторинга техногенных катастроф [9], экологического мониторинга окружающей среды [10], топографического мониторинга для актуализации пространственных данных [11] и др.

Литература

1.     Radke R.J., Andra S., Al-Kofahi O., Roysam B. Image change detection algorithms: a systematic survey. IEEE Transac­tions on Image Processing, 2005, vol. 14, no. 3, pp. 294–307.

2.     Lu D., Mausel P., Brondizio E., Moran E. Change detec­tion techniques. Intern. Journ. of Remote Sensing, 2004, vol. 25, no. 12, pp. 2365–2401.

3.     Пытьев Ю.П. Морфологический анализ изображений // Докл. АН СССР. 1983. Т. 269. № 5. С. 1061–1064.

4.     Пытьев Ю.П., Чуличков А.И. Методы морфологического анализа изображений. М.: Физматлит, 2010. 336 с.

5.     Визильтер Ю.В., Горбацевич В.С. Морфологическая сегментация изображений земной поверхности с использованием стековых деревьев // 20 Междунар. конф. по компьютерной графике и зрению: сб. тр. СПб, 2010. С. 175–180.

6.     Корнилов Ф.А., Перевалов Д.С. Задача обнаружения структурных различий изображений // Алгоритмы и програм- мные средства параллельных вычислений: сб. науч. тр. Екатеринбург: УрО РАН. 2011. Вып. 11. С. 37–56.

7.     Программный продукт для визуализации и обработки данных дистанционного зондирования Земли ENVI. URL: http://www.exelisvis.com/ (дата обращения: 10.03.2014).

8.     Поклад Г.Г. Геодезия. М.: Недра, 1988. 304 с.

9.     Гасилов В.Л., Кандоба И.Н. Алгоритмические и программные средства для автоматизированной обработки космоснимков земной поверхности при мониторинге природной среды и техногенных процессов // Проблемы защиты населения и территорий от чрезвычайных ситуаций: тр. Всерос. конф. Красноярск, 1997. С. 127–128.

10.  Замятин А.В., Марков Н.Г. Анализ динамики земной поверхности по данным дистанционного зондирования Земли. М.: Физматлит, 2007. 176 с.

11.  Седельников В.П., Бровко Е.А., Ефимов С.А. Актуализация геопространственной информации в инфраструктуре пространственных данных Российской Федерации: проблемы и решения // Национальные проекты. 2011. № 3 (5). С. 66–69.