Способ геодезического геоинформационного мониторинга природных и техногенных объектов с применением метода автоматизированного дешифрирования многоспектральных цифровых аэрокосмических фотоснимков

Способ геодезического геоинформационного мониторинга природных и техногенных объектов с применением метода автоматизированного дешифрирования многоспектральных цифровых аэрокосмических фотоснимков

Иллюстрации

Показать все

Реферат

Настоящий способ относится к области обработки и отображения пространственной информации, компьютерным средствам преобразования цифровых аэрокосмических фотоснимков, визуального восприятия получаемого изображения, и может быть использован для геодезического геоинформационного мониторинга природных и техногенных объектов.

Известен способ автоматизированного дешифрирования многозональных цифровых аэрокосмических фотоснимков, основанный на спектральных признаках, с применением коэффициентов преобразования Tasseled Cap (TC) («колпачок с кисточкой») [Шовенгердт Р.А. Дистанционное зондирование. Методы и модели обработки изображений, Москва, Техносфера, 2010 г.], взятый в качестве прототипа. Сущность данного способа заключается в том, что по цифровым аэрокосмическим снимкам в количестве не менее трех, полученных с помощью одной съемочной системы на основе метода главных компонент, вычисляются собственные вектора и собственные значения матрицы каждого изображения. Собственные вектора каждого изображения формируют матрицу его преобразования. На основе сформированных матриц преобразования вычисляется новая матрица преобразования, состоящая из средних значений рассчитанных матриц. Новая матрица применяется для преобразования исходных цифровых аэрокосмических снимков. Преобразованный снимок позволяет с большей точностью и достоверностью выполнить классификацию объектов снимка по типам, чем исходный.

Недостатком этого способа является то, что спектральные характеристики изображаемой на цифровых фотоснимках территории и объектов сильно зависят от условий и времени съемки, до сих пор не был разработан способ, который позволил бы с высокой степенью достоверности выполнить дешифрирование любых объектов, изображенных на цифровых космических и аэрофотоснимках. Кроме того, требуется увеличить спектральное расстояние между изображениями различных типов объектов. Существующий способ, созданный для решения этих задач, работает для снимков съемочной системы определенного типа, в то время как для снимков съемочной системы другого типа часто требуется разработка новых способов. Мониторинг объектов на контролируемом участке осуществляется путем выявления изменений изображений на цифровых аэрокосмических фотоснимках, произошедших на контролируемом участке в заданный период времени.

Задача, на решение которой направлено заявленное техническое решение, заключается в повышении информативности и точности данных об объектах снимаемой территории, а значит эффективности геодезического геоинформационного мониторинга природных и техногенных объектов.

Технический результат - повышение подробности, наглядности и достоверности оценки полученной пространственной информации и повышение точности определения значений яркости отображаемых элементов объектов и скорости обработки снимков при автоматизированном дешифрировании многоспектральных цифровых аэрокосмических фотоснимков.

Поставленная задача достигается тем, что в способе геодезического геоинформационного мониторинга природных и техногенных объектов, при котором на контролируемом участке выполняют аэрокосмическую цифровую фотосъемку заданной территории с помощью одной съемочной аэрокосмической системы с привязкой к планово-высотной системе координат (ПВО), получают результаты аэрокосмической цифровой фотосъемки заданной территории в виде исходных многоспектральных цифровых аэрокосмических фотоснимков заданного участка местности в заданный период времени и передают их в ПЭВМ. Далее с помощью компьютерной программы выполняют нормирование исходных многоспектральных цифровых изображений путем приведения к одной и той же яркости однотипных объектов и получают результаты в виде нормированных многоспектральных цифровых изображений. По нормированным многоспектральным цифровым изображениям выбирают тестовые участки с использованием картографического материала, которые содержат однотипный набор объектов в пространстве измерений, полученных с помощью одной съемочной аэрокосмической системы. Затем определяют параметры фильтрации для удаления в автоматическом режиме из матрицы каждого тестового участка нормированных многоспектральных цифровых изображений элементов, не относящихся к объектам в пространстве измерений, необходимых для дешифрирования. Выполняют расчет собственных базисных векторов для каждого тестового участка методом повышения устойчивости ковариационной матрицы MCD (минимальный определитель ковариационной матрицы). При этом сначала рассчитывают исходную ковариационную матрицу по всем элементам матрицы нормированного многоспектрального цифрового изображения для каждого тестового участка, а затем выбирают процент точек n, взятых в обработку, и определяют количество точек , которые следует отбраковать, где – количество всех точек в матрице тестового участка нормированного многоспектрального цифрового изображения. Далее в этой же программе по вычисленному для каждой точки расстоянию Махаланобиса отбраковывают точки с максимальным его расстоянием и вычисляют ковариационную матрицу для каждого тестового участка по оставшимся после отбраковки точкам. После чего для каждой ковариационной матрицы вычисляют собственные вектора, на основе которых определяют коэффициенты преобразования TC, рассчитанных для участков с типовым набором объектов. Далее осуществляют преобразование ТС для нормированных многоспектральных цифровых изображений аэрокосмических снимков с помощью рассчитанных коэффициентов TC. По преобразованным изображениям с применением картографических материалов выбирают эталоны для каждого объекта. Эталоны применяют в качестве обучающей выборки при автоматической классификации и векторизации преобразованных по рассчитанным коэффициентам TC нормированных многоспектральных цифровых изображений. В результате получают графическую тематическую цифровую карту с одновременным автоматическим вычислением площади заданного участка местности с привязкой к системе координат ПВО в заданный период времени. Далее осуществляют геодезический геоинформационный мониторинг объектов на контролируемом участке в заданный период времени для природных и техногенных объектов посредством автоматизированного сравнения графических тематических цифровых карт, полученных в различные периоды времени на одну и ту же территорию по результатам автоматизированного дешифрирования методом линейного спектрального преобразования с применением коэффициентов TC.

Таким образом, предлагаемое техническое решение позволяет повысить точность инструментального выделения объектов различных типов, изображенных на аэрокосмических снимках, за счет повышения достоверности результатов автоматизированного дешифрирования многоспектральных аэрокосмических снимков, преобразованных с помощью линейного спектрального преобразования TC, коэффициенты которого рассчитываются не по области всего снимка, а по выбранным тестовым участкам, включающим только набор характерных объектов местности.

Указанная совокупность признаков позволяет повысить эффективность геодезического геоинформационного мониторинга природных и техногенных объектов за счет повышения подробности, наглядности и достоверности оценки полученной информации. Кроме того, указанная совокупность признаков позволяет повысить эффективность процесса обработки и отображения пространственной информации за счет повышения достоверности и точности определения значений яркости отображаемых искомых элементов объектов.

Сущность технического решения поясняется примером реализации способа геодезического геоинформационного мониторинга природных и техногенных объектов с применением метода автоматизированного дешифрирования многоспектральных цифровых аэрокосмических фотоснимков и иллюстрируется чертежом, проанализировав который можно сделать вывод о том, что предложенный способ обеспечивает получение нового преобразованного многоспектрального цифрового изображения с наибольшим спектральным расстоянием между объектами различных типов. На фиг.1 представлены графики распределения яркостей элементов изображения 5 классов объектов, представленных на данных снимках. На фиг.1а – 1г в качестве осей систем координат используются каналы исходного многоспектрального цифрового изображения, а на фиг.1д – 1и – распределения в пространстве TC. Из фиг.1 видно, что яркости элементов различных классов для разных каналов лежат в достаточно узком диапазоне и области распределения пересекаются. На фиг.1г и 1и представлены распределения вектора яркостей в трехмерном пространстве исходного трехканального изображения и изображения TC соответственно.

Предлагаемый способ осуществляется следующим образом. Для осуществления геодезического геоинформационного мониторинга природных и техногенных объектов на контролируемом участке выполняют аэрокосмическую фотосъемку заданной территории с привязкой к планово-высотной системе координат (ПВО). Получают результаты аэрокосмической фотосъемки заданной территории в виде многоспектральных цифровых аэрокосмических фотоснимков заданного участка местности с привязкой к системе координат ПВО при числе спектральных каналов не менее четырех, которые передают в ПЭВМ. С помощью компьютерной программы для устранения искажений выполняют обработку снимков, позволяющую нормировать яркости. Существует большое количество способов обработки, но большинство из них можно использовать только в определенных условиях и для определенных объектов. Нормирование изображений заключается в приведении одних и тех же типов участков местности или объектов к одинаковым яркостным характеристикам на различных изображениях. Для этого вычисляют отношение средних значений яркостей участков местности одного типа на различных изображениях. Все значения яркости пикселей одного из изображений домножаются на полученное число. Далее по нормированным изображениям выбирают и сохраняют отдельно тестовые участки одного размера, содержащие только определенный набор объектов, например, таких как хвойная, лиственная растительность, болото, реки, техногенные объекты. Определяют параметры фильтрации для удаления в автоматическом режиме из матрицы каждого тестового участка многоспектральных цифровых изображений элементов, не относящихся к объектам, необходимым для дешифрирования с помощью, например, метода повышения устойчивости ковариационной матрицы MCD (минимальный определитель ковариационной матрицы). При этом сначала рассчитывают исходную ковариационную матрицу C по всем элементам матрицы многоспектрального изображения P для каждого тестового участка:

, (1)

где – вектор средних значений, определенных как .

Затем выбирают процент точек n, взятых в обработку, определяют количество точек , которые следует отбраковать,

где – количество всех точек в матрице тестового участка многоспектрального цифрового изображения.

Далее в этой же программе по вычисленному для каждой точки расстоянию Махаланобиса отбраковывают точки с максимальным его расстоянием, вычисляют ковариационную матрицу для каждого тестового участка по оставшимся после отбраковки точкам по формуле (1). После чего для каждой ковариационной матрицы вычисляют собственные вектора, на основе которых рассчитывают коэффициенты преобразования TC, применяемые для преобразования многоспектральных цифровых аэрокосмических нормированных снимков. Преобразованные снимки позволяют с большей достоверностью выполнить их разделение по классам. Ширина спектра распределения яркостей существенно выше на преобразованных снимках (см. фиг.1). Преобразованные с помощью рассчитанных коэффициентов TC нормированные многозональные аэрокосмические снимки, а также картографические материалы на территорию снимка, применяются для создания обучающей выборки, используемой при автоматизированной классификации преобразованных снимков с помощью одного из алгоритмов контролируемой классификации. В результате автоматизированной классификации получается снимок, разбитый на определенные классы. Далее аналогично выполняют преобразование снимка с помощью рассчитанных коэффициентов TC, полученного на ту же самую территорию с той же съемочной системы, но в другой период времени, и автоматизированную классификацию преобразованного снимка. На основе разновременных результатов классификации выполняют автоматизированный геодезический геоинформационный мониторинг природных и техногенных объектов.

Предлагаемый инновационный способ геодезического геоинформационного мониторинга природных и техногенных объектов с применением метода автоматизированного дешифрирования многозональных цифровых аэрокосмических фотоснимков позволяет:

- распознавать широкий круг объектов, определять их свойства и свойства поверхности земли;

- существенно расширить возможности существующего геоинформационного мониторинга, например организовать эффективную систему мониторинга природных и техногенных комплексов различных типов, при которой отслеживается развитие лесных массивов, сельскохозяйственных земель, водных объектов, промышленных сооружений, трубопроводов, дорог и т.д.;

- повысить информативность и точность данных об объектах снимаемой территории, а также снизить объем полевых работ.

Способ геодезического геоинформационного мониторинга природных и техногенных объектов, при котором на контролируемом участке выполняют аэрокосмическую цифровую фотосъемку заданной территории с помощью одной съемочной аэрокосмической системы с привязкой к планово-высотной системе координат (ПВО), получают результаты аэрокосмической цифровой фотосъемки заданной территории в виде исходных многоспектральных цифровых аэрокосмических фотоснимков заданного участка местности в заданный период времени, передают их в ПЭВМ и с помощью компьютерной программы выполняют их автоматизированное дешифрирование методом линейного спектрального преобразования с применением коэффициентов Tasseled Cap (ТС), получают результаты автоматизированного дешифрирования в виде исходных многоспектральных цифровых изображений заданного участка местности, осуществляют геодезический геоинформационный мониторинг объектов на контролируемом участке в заданный период времени, отличающийся тем, что в процессе автоматизированного дешифрирования дополнительно в этой же программе выполняют нормирование исходных многоспектральных цифровых изображений путем приведения к одной и той же яркости однотипных объектов, получают результаты в виде нормированных многоспектральных цифровых изображений, выбирают с использованием картографического материала и сохраняют отдельно тестовые участки одного размера, которые содержат однотипный набор объектов в пространстве измерений, затем определяют параметры фильтрации для удаления в автоматическом режиме из матрицы каждого тестового участка нормированных многоспектральных цифровых изображений элементов, не относящихся к объектам в пространстве измерений, необходимых для дешифрирования, выполняют расчет собственных базисных векторов для каждого тестового участка с применением метода повышения устойчивости ковариационной матрицы MCD (минимальный определитель ковариационной матрицы), при этом сначала рассчитывают исходную ковариационную матрицу по всем элементам матрицы нормированного многоспектрального цифрового изображения для каждого тестового участка, затем выбирают процент точек n, взятых в обработку, определяют количество точек , которые следует отбраковать, где – количество всех точек в матрице тестового участка нормированного многоспектрального цифрового изображения, далее в этой же программе по вычисленному для каждой точки расстоянию Махаланобиса отбраковывают точки с максимальным его расстоянием, вычисляют ковариационную матрицу для каждого тестового участка по оставшимся после отбраковки точкам, после чего для каждой ковариационной матрицы вычисляют собственные вектора, на основе которых определяют коэффициенты преобразования TC, рассчитанные для участков с типовым набором объектов, далее осуществляют преобразование ТС для нормированных многоспектральных цифровых изображений аэрокосмических снимков с помощью рассчитанных коэффициентов TC, получают результаты преобразования в виде преобразованных нормированных многоспектральных цифровых изображений с наибольшим спектральным расстоянием между объектами различных типов, по преобразованным изображениям с применением картографических материалов выбирают эталоны для каждого объекта, эталоны применяют в качестве обучающей выборки при автоматической классификации и векторизации преобразованных по рассчитанным коэффициентам TC нормированных многоспектральных цифровых изображений, получают графическую тематическую цифровую карту с одновременным автоматическим вычислением площади заданного участка местности с привязкой к системе координат ПВО в заданный период времени, вышеупомянутый мониторинг выполняют для природных и техногенных объектов посредством автоматизированного сравнения графических тематических цифровых карт, полученных в различные периоды времени на одну и ту же территорию по результатам автоматизированного дешифрирования методом линейного спектрального преобразования с применением коэффициентов TC.