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.