Компьютерная обработка аэрокосмических снимков

Компьютерная обработка аэрокосмических снимков

Для ГИС, предназначенной для решения различных научно-практических задач, важно использование информации, полученной аэрокосмическими методами, как наиболее оперативной. ГИС, содержащие картографическую и аэрокосмическую информацию, получили название интегрированных, в которых векторные картографические данные объединяются с растровыми дистанционными (линейными и пиксельными).

Внедрение компьютерных технологий обработки снимков позволило практически перейти к представлению пространственной информации в виде цифровых моделей местности, которые строятся по результатам стереофотограмметрических измерений снимков.

Компьютерная обработка снимков позволяет решать следующие задачи:

- геометрическое преобразование снимков, изготовление фотопланов и фотокарт;

- яркостные и цветовые преобразования;

- получение количественных характеристик;

- визуализация цифровых данных дистанционного зондирования;

- автоматизированное дешифрирование снимков (классификация).

Основными этапами компьютерной обработки аэрокосмического изображения являются: ввод и внутреннее представление изображений; координатная привязка, и фотограмметрическое преобразование снимков; геометрическая коррекция; предварительная обработка изображения; автоматизированное дешифрирование.

Ввод и внутреннее представление изображений. Наиболее удобной для компьютерной обработки является информация, полученная с помощью санирующих систем, принимаемая в цифровой форме. Сигналы сканеров записываются на магнитную ленту и могут быть преобразованы для ввода в компьютер. При использовании фотографических аэрокосмических снимков, для получения их растровых изображений, используются фотограмметрические сканеры, имеющие высокую геометрическую и радиометрическую (яркостную) точность.

После того, как изображение получено в цифровом виде, принципиальным вопросом является внутреннее представление данного изображения в системе. Чаще всего используется табличное представление в виде матрицы.

Координатная привязка и геометрическая коррекция фотограмметрического преобразования снимков. После ввода изображения снимка в компьютер приступают к его координатной привязке и геометрическому преобразованию с целью перевода изображения в необходимую картографическую проекцию. Информация, поступающая с российских спутников серии «Космос», американских «Ландсат» и французского SPOT, координатная привязка и геометрическая коррекция осуществляется по орбитальным данным в автоматизированном режиме. При работе с аэрофотоснимками данные задачи решаются с использованием опорных точек, на основании которых проводится фотограмметрическая обработка снимков. В Республике Беларусь для этих целей используется цифровая фотограмметрическая система «Realistic-M».

Предварительная обработка изображения проводится практически всегда, независимо какие снимки (сканерные, фотографические) подвергаются обработке. Это обусловлено наличием во входном изображении шумов и искажений.

Искажение яркости объектов может быть обусловлено условиями фотосъемки, обработки фотоматериалов и условиями сканирования. Кроме того на снимках могут иметь место локальные искажения плотности изображения, которые проявляются в виде точек и др. Так могут изображаться объекты, которых нет в действительности: например, солнечные блики, тень облаков и т.д. Часто при предварительной обработке изображения сталкиваются с информационным шумом. В роли подобного шума выступают объекты, которые присутствуют как на снимке, так и в действительности. Но их наличие не существенно для поставленной задачи. А лишь затрудняет дешифрирование. Например, при составлении карты растительности несущественную роль играют линии электропередач, мелиоративная сеть и др.

На данном этапе обработки изображения осуществляется коррекция гистограммы, фильтрация и устранение шума, что позволяет повысить контрастность изображения, устранить мелкие детали. Яркостные преобразования изображения выполняются главным образом с помощью аналоговых устройств и позволяют проводить синтезирование цветных изображений, квантование по уровням оптической плотности, изменение контраста, подчеркивание границ контуров.

Наиболее сложным этапом компьютерной обработки изображения является автоматизированное дешифрирование, т.е. выделение границ объектов или сегментация. Дешифровщику при работе со снимками постоянно приходится, основываясь на дешифровочных признаках опознавать и выделять однородные объекты. При компьютерном дешифрировании космических снимков одним из распространенных является подход на основе спектральных признаков. Он базируется на том, что яркость хроматических объектов (имеющих определенную окраску) в разных спектральных зонах не одинаково и характеризуется коэффициентом спектральной яркости. Таким образом, каждый элемент растра – пиксел соответствует яркости объекта для определенной области электромагнитного спектра. Каждый пиксел растра записывается как числовой элемент матрицы в файле данных.

На этапе сегментации основная задача заключается в дифференциации изображения на области (сегменты) по определенному критерию. В качестве критерия могут служить текстура и тон изображения. После того как изображение будет разбито на однородные области (контуры), приступают к их классификации.

В настоящее время разработаны десятки алгоритмов машинного дешифрирования, подразделяемые на алгоритмы с обучением и без обучения, которые осуществляют, соответственно, контролируемую и неконтролируемую классификации. Среди алгоритмов классификации с обучением наиболее распространены алгоритмы, учитывающие вероятность присутствия на снимке объектов, относящихся к определенному классу. Для разработки таких алгоритмов используются опытные данные о взаимосвязи спектральной яркости объектов с их свойствами. Например, при дешифрировании почв, их спектральная яркость четко коррелирует с гранулометрическим составом почв и содержание в них гумуса и влаги.

Используются и алгоритмы классификации без обучения – кластеризации, позволяющие формально расчленить изображение, на отдельные классы не используя обучающих данных. В этом случае элементы изображения объединяются в группы – кластеры по формальным признакам без учета их содержательного значения. Выделенные автоматически кластеры в результате группировки пикселов дешифровщик соотносит их с определенными объектами. Например, при составлении почвенной карты, с распределением почв по степени увлажнения.

В результате классификации сегментов может быть получена тематическая карта, которая может использоваться в формате одной из ГИС и позволяет проводить дальнейшую обработку результатов с ее помощью. Например, получение таких количественных характеристик как определение площади контуров и суммарной площади объектов определенного типа; протяженности границ контуров и т.д.