Программные продукты и системы

В последнее десятилетие важную роль для России стали играть спутниковые дистанционные методы исследования ее территории. Это связано как с дальнейшим совершенствованием космической техники, так и со свертыванием авиационных и наземных методов мониторинга.

Основные области применения спутникового дистанционного зондирования – получение информации о состоянии окружающей среды и землепользовании, изучение растительных сообществ, прогноз урожая сельскохозяйственных культур, оценка последствий стихийных бедствий: наводнений, землетрясений, извержений вулканов, лесных пожаров. Средства дистанционного зондирования эффективны при изучении загрязнения почвы и водоемов, льдов на суше и на воде, в океанологии. Они позволяют получать сведения о состоянии атмосферы, в том числе в глобальном масштабе [1].

Предварительная обработка данных дистанционного зондирования заключается в геометрической коррекции спутниковых изображений, радиометрической и атмосферной коррекции, в улучшении изображений путем изменения контраста, поиске краев объектов на изображении.

Специфические искажения, обусловленные тем, что наблюдение ведется под углом к поверхности, возникают при использовании сканеров с линейной разверткой и радиолокационных станций бокового обзора. Но существуют и другие источники искажений. Солнечно-синхронные орбиты природоведческих спутников не проходят через ось вращения Земли, а имеют наклон относительно нее. Поэтому, если спутник движется с севера на юг (нисходящий виток орбиты), то вверху изображения будет не север, как на карте, а например север–северо-восток. К тому же во время сеанса приема спутниковой информации Земля поворачивается на некоторый угол (за 1 минуту на 0,25°). Такие искажения могут быть скомпенсированы, если известны проекция орбиты спутника на земную поверхность и механизм искажений.

Объекты на спутниковых изображениях иногда необходимо сопоставлять с географической картой (осуществлять географическую привязку спутниковых данных) для определения географических координат объектов. Географическую привязку и геометрическую коррекцию можно объединить в одну операцию совмещения деталей спутникового изображения и карты.

На рисунке 1а показано радиолокационное изображение района к юго-западу от г. Оренбурга. Карта района приведена на рисунке 1б, на ней отмечены контрольные точки.

Опорными точками здесь являются изгибы реки Урал.

После наложения спутникового изображения на карту местности и соотнесения опорных точек производится корректировка фотоизображения за счет масштабирования и поворота участка. Затем можно переходить к процедуре непосредственного распознавания областей, для чего необходимо получить контуры различных участков на снимках.

Важным этапом в процессе подготовки к извлечению признаков изображения является вы- деление краев и контуров объектов на основе подчеркивания перепадов яркости. Выделение вертикальных перепадов осуществляется диф- ференцированием по строкам, горизонтальных – по столбцам. Дифференцирование производится по формулам:

,                                    (1)

,

где Δx – приращение вдоль строки, равное 1 пикселу; Δy – приращение вдоль столбца, равное 1 пикселу [2].

Для выделения перепадов используются следующие наборы весовых множителей, реализующих двухмерное дифференцирование:

     (2)

где W1 – северное направление перепада; W2 – северо-восточное направление перепада; W3 – восточное направление перепада; W4 – юго-восточное направление перепада; W5 – южное направление перепада; W6 – юго-западное направление перепада; W7 – западное направление перепада; W8 – северо-западное направление перепада.

Для данного исследования подобные маски, действующие в направлении склона перепада, вызывающего максимальный отклик фильтра, не дают необходимого результата в связи с тем, что большинство распознаваемых объектов на изображениях – природные объекты, не имеющие направления перепада яркости.

Для выделения перепадов без учета их ориентации используются двухмерные операторы Лапласа [2], сумма весовых множителей которых равна нулю:

 (2а)

Пример реализаций оператора Лапласа, маски W14, для фрагмента, изображенного на рисунке 1, представлен на рисунке 2.

После применения маски видно, что диагональная граница русла реки довольно четко выделена белым цветом. И несмотря на то, что прочие области излишне зашумлены, полученные контрастные изображения с выделенными границами объектов удобны для последующей машинной векторизации. Были также проверены и другие, менее распространенные маски, однако предпочтение отдано структуре W16 как наиболее подходящей для изображений, полученных радиолокационными методами, в связи с наиболее четким откликом на необходимые границы. Таким образом, лапласиан будет записан в следующем виде:

L(f(x, y))=–f(x–1, y–1)–2·f(x, y–1)–

–f(x+1, y–1)–2·f(x–1, y)+12·f(x, y)–                   (3)

–2·f(x+1, y)–f(x–1, y+1)–2·f(x, y+1)–f(x+1, y+1).

Алгоритм реализации оператора Лапласа представлен на рисунке 3. Для повышения быстродействия используется предварительно создаваемый массив адресов изображения. Последующая работа с адресами элементов повышает скорость работы алгоритма в 5–8 раз по сравнению с прямым обращением к пикселям изображения, что актуально для изображений большого разрешения, таких как спутниковые снимки.

Алгоритм состоит из следующих этапов:

–      получение размеров изображения, необходимых для настройки параметров метода, а также ссылок на адреса точек изображения в оперативной памяти;

–      двойной цикл, перебирающий адреса точек изображения;

–      три вложенных последовательных цикла, заполняющих по столбцам массив фильтра адресами точек изображения; тройной цикл обусловлен тем, что работа с адресами осуществляется построчно, однако адресный подход позволяет выполнять данную операцию на порядок быстрее, чем традиционный метод поэлементной работы с точками изображения;

–      сортировка массива фильтра в соответствии с выбранной маской;

–      установка новых значений цвета по адресам фильтра.

Таким образом, представленный алгоритм направленного распознавания с учетом информации о рельефе позволяет успешно получать информацию о контурах рельефа местности на спутниковых снимках для последующей векторизации.

Литература

1.     Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений. М.: Логос, 2001. 264 с.

2.     Вудс Р., Гонсалес Р. Цифровая обработка изображений. М.: Изд-во Техносфера, 2005. 1072 с.

3.     Анализ данных аэрофотосъемки / Хабрахабр. URL: http://habrahabr.ru/post/139408/ (дата обращения: 06.03.2013).

4.     Визильтер Ю.В. Применение метода анализа морфологических свидетельств в задачах машинного зрения // Вестн. комп. и информ. технологий. 2007. № 9. 118 c.

References

1.     Kashkin V.B., Suhinin A.I. Distantsionnoe zondirovanie Zemli iz kosmosa. Tsifrovaya obrabotka izobrazheniy [Remote sensing and monitoring of the Earth from space. Digital image processing]. Moscow, Logos Publ., 2001, 264 p.

2.     Woods R., Gonzalez R. Digital image processing. 3 ed., Prentice Hall Publ., 2007, 976 p.

3.     Aerial photography data analysis. Habrahabr Available at: http://habrahabr.ru/post/139408/ (accessed 6 March 2013).

4.     Visilter U.V. The application of hysiographic evidence analysis method to computer vision problems. Vestnik komp'iuternykh i informatsionnykh tekhnologii [Herald of computer and information technologies]. Spektr Publ., 2007, no. 9, 118 p.