4. Понятие об автоматизированном методе дешифрирования
Попытки создания систем, распознающих образы, ученые мира предпринимали еще в 50-е годы XX столетия. Созданы эффективные быстродействующие автоматы считывания и обработки информации во многих отраслях науки, производства, криминалистики и др. В этих системах объекты в основном распознают по детерминированным (неизменяющимся) признакам (форме, размеру, весу) или идентификации объектов и их характеристик по признакам статистическим, например при каллиграфической экспертизе. При дешифрировании аэро- и космических снимков могут также встречаться объекты с детерминированными признаками: самолеты, транспортные машины, типовые сооружения и т. п. Однако в большинстве случаев объекты, дешифрируемые в целях картографирования территорий, выполнения поисковых работ и различных инженерных изысканий, не обладают неизменными геометрическими и особенно яркостными характеристиками. К тому же во многих случаях объекты, ситуации и др. распознают с помощью косвенных дешифровочных признаков с решением сложных логических задач (см. раздел 9.5). Решение таких задач недоступно современной вычислительной технике, так как формализация косвенных признаков — процедура сложная, а в большинстве случаев пока и невозможная.
Очевидно, что в автоматизированных интерпретационных системах можно использовать только признаки, обладающие достаточно высокой информативностью — специфичностью и инвариантностью в пределах кадра и на других обрабатываемых снимках, а также удобно выражающиеся в цифровой форме. Такими признаками могут быть цвет (тоновая шкала ахроматических снимков недостаточно широка) и текстура изображения. Последний признак может быть использован при дешифрировании только объектов с достаточно стабильной текстурой, например лесов.
Информация о цвете может быть выражена дискретно через яркости в одной или нескольких узких спектральных зонах. Регистрируют зональные яркости с помощью многозональных съемочных систем (см. разделы 2.5 и 2.6).
При неизменной зональной яркости некоторого объекта А по всей его площади одномерный дешифровочный признак его может быть выражен вектором или координатой на оси яркостей. Геометрическая интерпретация признака показана на рисунке 10.7, а. В другой зоне спектра признак того же объекта в общем случае будет иным. Признаки объекта В в тех же зонах спектра могут отличаться от признаков объекта А, например в зоне 2, но могут оказаться и неотличимыми (в нашем примере — в зоне /). Очевидно, что для разделения этих объектов следует использовать снимок, полученный в спектральной зоне 2. Но если возникнет необходимость в дешифрировании еще и объекта С, признак которого в зоне 2 будет тем же, что и у объекта А (или В), то задача разделения всех объектов при индивидуальном анализе этих снимков становится неразрешимой. Выход из этого положения — совместный анализ обоих снимков. Признаки при этом становятся двухмерными (рис. 10.8). На рисунке видно, что точки А, В, С надежно разделились.
В практике дешифрируемых объектов может быть больше, чем в данном примере. Более сложной может оказаться и ситуация с яркостными зональными контрастами этих объектов. Поэтому появляется необходимость в увеличении разномерности признаков путем привлечения к анализу снимков, полученных в большем числе спектральных зон. Обозначим число одновременно используемых снимков буквой N. Для геометрического представления трехмерного признака на рисунке 10.8 показана только ось Vy, построения трехмерных признаков опущены. Разумеется, что не следует пытаться геометрически выразить более чем трехмерные признаки. В аналитическом варианте решения интерпретационной задачи размерность признаков может быть любой. Но одновременно отметим следующее: экспериментально установлено, что использование более чем трехмерных признаков не дает заметного повышения достоверности результатов автоматизированного дешифрирования, если выбор для обработки зональных снимков близок к оптимальному.
Приведенные рассуждения, как было оговорено, относятся к случаю неизменной спектральной яркости объектов по всей площади их простирания. Реальных природных объектов с такими характеристиками не бывает. Интегральная и спектральная яркости объектов изменяются вследствие влияния многих факторов: например, за счет локальных изменений влажности земной поверхности, различного состояния культурных растений при неравномерном внесении удобрений, локальной неодинаковости наклона растений и др. Кроме того, непостоянство уровней видеосигналов при съемке даже однородных поверхностей обусловится спецификой регистрации яркостей с помощью съемочных систем. Поэтому в одномерном пространстве признак некоторого класса объектов геометрически выразится отрезком, представляющим собой интервал варьирования зональной яркости элементарных участков объектов, входящих в этот класс (см. рис. 10.7, б). В двухмерном пространстве признаком будет плоская область варьирования зональных яркостей для определенного класса. Области предельных значений зональных яркостей элементов классов А, В и С на рисунке 10.8 заштрихованы. Фактическая область может иметь любую форму, вписанную в заштрихованные прямоугольники. Кривыми А и С на рисунке 10.9 обведены области фактического разброса признаков элементарных участков объектов этих классов. В трехмерном пространстве признак класса представляется трехмерной областью варьирования зональных яркостей его элементов. Признаки, о которых здесь шла речь, называют спектральными.
Сформулируем некоторые определения, относящиеся к данному разделу.
Спектральный признак (образ) элементарного участка некоторого объекта представляет собой точку в N-мерном пространстве, компонентами которого являются зональные яркости этого участка. В векторном представлении это же понятие можно выразить так: спектральный признак элементарного участка объекта есть N-мерный вектор зональных яркостей этого участка. Спектральным признаком (образом) класса будет область варьирования TV-мерных зональных яркостей элементарных участков объектов этого класса.
Спектральные признаки классов (эталонные признаки) формируются по тестовым данным в процессе обучения интерпретационной системы. Тестовые данные получают в результате полевого дешифрирования снимков. На них с достаточной статистической представительностью должны быть изображены объекты всех дешифрируемых классов, а также близкие по оптическим характеристикам иные объекты, встречающиеся в районе работ.
При автоматизированном дешифрировании используют различные алгоритмические варианты. Для получения общего представления о сути автоматизированного дешифрирования рассмотрим один из простейших и геометрически наглядных алгоритмов. Геометрическая интерпретация аналитического процесса показана на рисунке 10.9. Допустим, что измеренные на зональных снимках 1 и 2 спектральные признаки элементарных участков классов А и В располагаются в областях, ограниченных кривыми линиями. Эти границы при компьютерной интерпретации должны быть выражены математически. Очевидно, сделать это удобнее упрощенно, заменив истинное очертание области некоторой стандартной фигурой, например прямоугольником со сторонами, параллельными осям V\ и Кг, или окружностью. В трехмерном пространстве признаков соответственными фигурами будут параллелепипед и сфера.
Рассмотрим вариант с использованием прямоугольника. Он может описывать истинную область признака или быть вписанным в нее. В первом случае включенными в данный класс могут оказаться некоторые элементы близлежащих классов; во втором — некоторые элементы данного класса окажутся отнесенными к другим классам.
Оптимальное положение устанавливаемых границ определяют в процессе формирования эталонных признаков. При контроле результатов обучения интерпретационной системы границы признаков уточняют. Погрешности интерпретации должны быть минимальными и не выходить за пределы установленных допусков.
Далее следует процесс непосредственного автоматизированного дешифрирования — последовательно определяют принадлежность каждого элемента изображения к тому или иному классу. Некоторые элементы могут попасть в зону перекрытия эталонных признаков. В простейшем варианте эта зона может быть разделена прямолинейной границей Риск принятия неверного решения в этом случае может быть минимизирован использованием функции, включающей в качестве аргументов вероятности появления в обрабатываемом районе объектов классов с перекрывающимися признаками, вероятности попадания элементов каждого из этих классов в зону перекрытия и др. Элементы, оказавшиеся вне пространства эталонных признаков, относят к обобщенному К+ 1 классу.
Рассмотренный алгоритм относится к группе алгоритмов, работающих в режиме классификации. Если пространства дешиф-ровочных признаков классов не перекрываются, в автоматизированной обработке снимков можно использовать более простые алгоритмы — кластеризационные. Суть их заключается в том, что элементы изображения разделяются в пространстве признаков на неперекрывающиеся группы по некоторому критерию внутренней близости их признаков. Такие группы называют кластерами.
При обработке снимков в режиме кластеризации желательно знать число дешифрируемых классов объектов и примерное различие (е) признаков. Последнее может быть заимствовано: из опыта выполнения аналогичной интерпретационной обработки снимков, полученных примерно в тех же условиях и тех же спектральных зонах; из элементарных фотометрических наблюдений ограниченного объема тестовых данных; из результатов спектро-метрирования, выполненного на объектах тех же классов примерно в то же, что и при съемке, время сезона.
Большинство кластеризационных алгоритмов — итерационные. В упрощенном варианте процесс кластеризации выглядит так. Первый элемент изображения принимают за центр кластера в TV-мерном пространстве признаков. Последующие элементы, если признаки их не отличаются от признака, принятого за центр элемента, на величину, превышающую е, относят к тому же кластеру. В противном случае первый из отличающихся элементов принимают за центр нового кластера. Аналогично образуются прочие кластеры.
Очевидно, что случайно «назначенные» центры кластеров фактически ими не являются. Поэтому для каждого образованного в первой итерации кластера определят новое положение центра — среднеарифметическое из значений признаков всех вошедших в этот кластер элементов. Во второй итерации все элементы изображения перераспределяют относительно новых центров и уточняют положение центров кластеров. Итерационный процесс завершается, когда в последнем положении центров не происходит существенных изменений относительно предыдущего положения (рис. 10.10). Выведенные результаты такой обработки образуют карту кластеров. Затем выполняют процедуру идентификации кластеров. Она может быть выполнена в поле путем выборочного определения принадлежности кластеров конкретным классам. То же можно сделать по ограниченному объему тестовых данных.
Текстура изображения при использовании ее в качестве де-шифровочного признака в автоматизированном дешифрировании должна быть представлена в цифровой форме. Простейшими количественными критериями ее могут быть: средняя длина фотометрической волны X; средняя амплитуда волны п; дисперсия длин волн ст^; дисперсия амплитуды волн о„ и др. Из рисунка 10.11, на котором изображены стилизованные фотометрические регистрограммы, видно, что и в данном случае возникает необходимость в использовании многомерных текстурных признаков: объекты Аи С имеют одинаковую среднюю длину волн, но различаются по амплитуде; объекты А и В, наоборот, имеют примерно одинаковые средние значения амплитуд при различных длинах волн; объект D может оказаться похожим на одни объекты по ' средней длине волн, на другие — по средней амплитуде, но отличаться от них по дисперсии амплитуды.
При использовании текстурных признаков, очевидно, нет необходимости в применении многозональных съемок, но съемка должна быть выполнена так, чтобы критерии текстуры сохраняли постоянство в любой части кадра. Достичь этого можно, применив узкоугольные съемочные системы.
Принципиально технология автоматизированного дешифрирования с использованием спектральных и текстурных дешифровоч-ных признаков одинакова.
Анализ дешифровочных признаков, используемых при картографировании поселений и сельскохозяйственных территорий, выполнении инвентаризационных работ в целях создания земельного и городского кадастров, пока исключает возможность автоматизации трудоемкого дешифровочного процесса. Очевидно, что автоматизированное дешифрирование по спектральным признакам можно применить только при решении задач, в которых эти признаки значительны. Такие задачи в большинстве своем являются прерогативой дистанционного зондирования — различные виды мониторинга, инвентаризация кормовых угодий, гидрогеологическая разведка и т. п. Текстурные признаки, как уже отмечалось ранее, используют в основном при выполнении лесотаксаци-онных работ.
Отметим, что в качестве дешифровочных признаков в современных системах автоматизированного дешифрирования используют только тон (оптическую плотность), цвет (спектральный признак) и текстуру изображения. Эти признаки должны быть практически инвариантными по полю дешифрируемой части изображения.
Пока невозможно привлечь прочие признаки, особенно косвенные, к распознаванию объектов. Поэтому для повышения надежности используемых признаков при съемке применяют фотометрические съемные системы (см. раздел 2.2), обеспечивающие постоянство признаков для каждого класса объектов.
Специфичность признаков анализируемых объектов зависит от сроков съемки, если решаемая задача не относится к оперативным. Сроки съемки, спектральные съемочные зоны и предельное значение угла поля изображения выбирают в результате анализа ранее решенных аналогичных задач.
При отсутствии такого опыта исследуют оптические свойства объектов (спектрометрирование) и по результатам исследования определяют необходимое время сезона для съемки и параметры съемочной системы.