Конспект до лекції 12
.pdf12. СПЕКТРАЛЬНІ ПЕРЕТВОРЕННЯ ТА КЛАСИФІКАЦІЯ ЗОБРАЖЕНЬ
12.1. Принцип синтезації зображень
За мультиспектральними зображеннями, підбираючи різні канали та їх комбінації можна отримати необхідну інформацію про властивості різних географічних і екологічних об'єктів. Процес об’єднання різних каналів одного знімка називають синтезацією.
Кольорове зображення утворюється шляхом об’єднання трьох основних кольорів. За основні прийняті кольори, що відповідають монохроматичному випромінюванню з довжиною хвилі 0,7 мкм (червоний – R); 0,5461 мкм (зелений – G); 0,4358 (синій – B). Таке подання кольору називають колірною моделлю RGB.
Якщо на екран вивести зображення одного каналу знімка, то він забарвлений в сірі тони. Щоб отримати кольорове зображення необхідно об’єднати три канали мультиспектрального зображення – один з яких буде червоний (R), другий – зелений (G), третій – синій (B). Якщо в канали R, G, B зображення підставлено R, G, B канали знімка, то зображення має натуральні кольори. Якщо ж в канали R, G, B зображення підставлено інші канали знімка, то зображення формується в штучних кольорах.
У табл.1 наведено характеристики каналів знімальної системи супутника Landsat 8.
Таблиця 12.1
Характеристика спектральних каналів знімальної системи супутника Landsat 8
Номер |
Довжина |
Практичне застосування |
|
каналу |
хвиль |
||
|
|||
1 |
0.433-0.453 |
дослідження зон узбережжя та аерозолів |
|
|
|
|
|
2 |
0.450-0.515 |
батиметричне картографування, для розрізнення ґрунтів від |
|
рослинності, хвойної рослинності від широколистяної |
|||
|
|
||
|
|
|
|
3 |
0.525-0.600 |
підкреслює піковий розвиток рослинності, тому є корисним для |
|
оцінки її життєвості |
|||
|
|
||
|
|
|
|
4 |
0.630-0.680 |
виявлення контрастів в рослинному покриві |
|
|
|
|
|
5 |
0.845-0.885 |
кількість біомаси, виділення ліній узбережжя |
|
|
|
|
|
6 |
1.560-1.660 |
вміст вологи в ґрунті та рослинності, здатність проникати через |
|
незначний хмарний покрив |
|||
|
|
||
|
|
|
|
7 |
2.100-2.300 |
покращені оцінка вмісту вологи в ґрунті та рослинності, |
|
здатність проникати через незначний хмарний покрив |
|||
|
|
||
|
|
|
|
8 |
0.500-0.680 |
просторове розрізнення - 15 м, застосовується для підвищення |
|
просторового розрізнення інших каналів (pan-sharpening) |
|||
|
|
||
|
|
|
|
9 |
1.360-1.390 |
покращене визначення наявності пірчастого хмарного покриву |
|
|
|
|
|
10 (TIRS 1) |
10.6-11.2 |
температурне картографування та оцінка вмісту вологи в ґрунті |
|
|
|
|
|
11 (TIRS 2) |
11.5-12.5 |
покращення температурного картографування та оцінки вмісту |
|
вологи в ґрунті |
|||
|
|
||
|
|
|
Наприклад, для супутника Landsat 8 можна виділити такі п’ять груп основних комбінацій каналів:
▪комбінація 4, 3, 2 - «природні кольори»;
▪комбінація 5, 4, 3 - «штучні кольори» з переважанням червоного кольору;
▪комбінації 5, 6, 4; 5, 6, 2; 6, 5, 4 - «штучні кольори» з переважанням жовтого кольору;
▪комбінації 7, 5, 3; 7, 6, 4 - «штучні кольори» з переважанням зеленого кольору;
▪комбінація 7, 6, 2 - інфрачервоні канали з переважанням синього кольору.
Перша група - «природні кольори». Для цієї комбінації використовують канали видимого діапазону (червоний, зелений, синій), тому об'єкти земної поверхні за кольором найбільш наближені до того, як вони сприймаються людським оком. Неушкоджена рослинність має інтенсивний зелений колір, агросистеми - більш світлі відтінки, пошкоджений рослинний покрив - коричневий і жовтий, дороги – сірий колір, берегові лінії - білуваті. Вирубки і розріджена рослинність ідентифікуються погано. Хмари і сніг виглядають однаково білими і важко розрізняються. Крім того, важко розрізнити різні типи фітоценозів (рис.12.1).
Рис. 12.1. Знімок із супутника Landsat 8 з комбінацією каналів 4, 3, 2
Друга група - «штучні кольори» з переважанням червоного кольору. Рослинність відображена у відтінках червоного, колір ґрунту варіює від темнодо світло-коричневого. Лід, сніг та хмари відображаються білим кольором або відтінками блакитного. Хвойні ліси забарвлені в темніші тони (темно-червоний і коричневий) порівняно з листяними (рожеві відтінки).
Переважно цю комбінацію використовують для вивчення стану рослинного покриву, ґрунту і стану сільськогосподарських культур. Загалом, насичені відтінки червоного і рожевого кольорів є індикаторами здорових широколистяних рослинних угруповань, в той час як світліші відтінки характеризують трав'янисту рослинність або кущі (рис. 12.2).
Рис. 12.2. Знімок із супутника Landsat 8 з комбінацією каналів 5, 4, 3
Третя група - комбінація трьох типів поєднань каналів - «5, 6, 4»; «5, 6, 2»; «6, 5, 4» - «штучні кольори» з переважанням жовтого кольору.
Комбінація каналів «5, 6, 4» - це комбінація ближнього, середнього інфрачервоного і
червоного видимого каналу, яка дозволяє чітко розрізнити межу між водою і сушею і підкреслити ті деталі, які можуть бути непомітними за використання тільки каналів видимого діапазону довжин хвиль. Точно будуть дешифруватися внутрішні водойми. Ця комбінація відображає рослинність в різних відтінках і тонах коричневого, зеленого і оранжевого. Вона дає можливість аналізу вологості ґрунтів. Загалом, чим вище вологість ґрунтів, тим вони будуть виглядати темнішими, що обумовлено поглинанням водою випромінювання ІЧ діапазону (рис.12.3).
Поєднання каналів «5, 6, 2» відображає рослинність у відтінках червоного, коричневого, оранжевого та зеленого. Ґрунти можуть виглядати зеленими або коричневими, урбанізовані території - білявими, сірими і зелено-блакитними. Чиста, глибока вода буде виглядати темносиньою (майже чорною), якщо ж це мілководдя або в воді міститься велика кількість суспензій, то в кольорі будуть переважати більш світлі відтінки. Додавання середнього інфрачервоного каналу дозволяє домогтися гарного вікового розрізнення рослинності.
Непошкоджена рослинність в комбінації каналів «6, 5, 4» виглядає яскраво-зеленою, а ґрунт - рожево-ліловий. Ця комбінація дає можливість аналізувати сільськогосподарські угіддя, зручна для вивчення рослинного покриву і широко використовується для аналізу стану лісових масивів.
Рис. 12.3. Знімок із супутника Landsat 8 з комбінацією каналів 5, 6, 4
Четверта група комбінацій каналів - «7, 5, 3»; «7, 6, 4» - «штучні кольори »з переважанням зеленого кольору.
Комбінація «7, 5, 3» дає зображення близьке до природних кольорів, але водночас дозволяє аналізувати стан атмосфери. Здорова рослинність виглядає яскраво-зеленою, трав'яниста рослинність - світло-зелена, відкритий ґрунт - рожевого кольору, коричневі та оранжеві тони характерні для розрідженої рослинності. Сухостійна рослинність виглядає помаранчевою, водні поверхні відображаються в синіх і блакитних тонах. Пісок, ґрунт і мінерали можуть бути представлені великою кількістю кольорів і відтінків. Ця комбінація дає добрий результат для аналізу пустельних територій. Крім того, вона може бути використана для вивчення сільськогосподарських земель і водно-болотних угідь. Території, які зазнали вигоряння, відображаються яскраво-червоними кольорами. Дану комбінацію доцільно використовувати для вивчення динаміки пожеж та їх наслідків для територій. Оливково-зелений колір характерний для лісових масивів, а темніший колір є індикатором збільшення частки хвойних порід.
Комбінація «7, 6, 4» дає зображення, близьке до попереднього. Практично повне поглинання випромінювання в середньому інфрачервоному діапазоні водою, снігом і льодом дозволяє дуже чітко виділити берегову лінію і підкреслити водні об'єкти на знімку. Одне з можливих застосувань цієї комбінації каналів – моніторинг пожеж (рис. 12.4).
Рис. 12.4. Знімок із супутника Landsat 8 з комбінацією каналів 7, 6, 4
П'ята група представлена комбінацією «7, 6, 5» - інфрачервоні канали з переважанням синього кольору. Ця комбінація не містить жодного каналу з видимого діапазону та забезпечує оптимальний аналіз стану атмосфери. Берегові лінії чітко помітні. Використовується для аналізу текстури і вологості ґрунтів. Рослинність забарвлюється в блакитні кольори (рис.12.5).
Рис. 12.5. Знімок із супутника Landsat 8 з комбінацією каналів 7, 6, 5
12.2. Методика підвищення розрізнення зображень
Методика PanSharpening полягає у об’єднанні панхроматичного каналу знімка з мультиспектральними каналами нижчої розрізнювальної здатності. В результаті отримуємо синтезоване зображення з розрізненням панхроматичного каналу.
Об’єднання з панхроматичним каналом є радіометричною трансформацією. Ряд компаній постачають знімки у вигляді мультиспектральних каналів з низькою розрізненістю разом з панхроматичним каналом з високою розрізненістю. Об’єднання з панхроматичним каналом використовується для збільшення просторового розрізнення і покращення візуалізації синтезованих зображень.
На рис. 12.6. наведено результат методики PanSharpening.
а) б) в) Рис. 12. 6. Результат методики PanSharpening:
а) пахнхроматичний канал; б) синтезоване зображення; в) синтезоване зображення з підвищеним розрізненням
Для підвищення просторового розрізнення розроблено багато різних методів, зокрема:
●метод зваженого усереднення (Weighted Averaging);
●метод IHS (Intensity Hue Saturation) і його модифікації;
●метод PCA (Principal Component Analysis);
●різновиди дискретного вейвлет-перетворення (Discrete Wavelet Transform).
Наведені вище методи є представниками різних поколінь, починаючи з самого простого методу - зваженого усереднення (80-ті роки), і закінчуючи різновидами дискретного вейвлетперетворення (наш час).
У програмному продукті ArcGIS для підвищення просторового розрізнення використовують такі методи:
●Brovey;
●IHS;
●Esri;
●SimpleMean;
●Gram-Schmidt.
Кожен з цих методів використовує власну модель збільшення просторового розрізнення при опрацюванні кольору, і кожен з них дозволяє використовувати ваги та включення четвертого каналу даних (ближній інфрачервоній канал, доступний у багатьох мультиспектральних зображеннях). З використанням ваг і включенням інфрачервоного каналу, візуальна якість вихідних кольорів значно поліпшується.
При перетворенні за методом Brovey використовуються червоний, зелений, синій (RGB) і панхроматичний канали для обчислення нових червоного, зеленого і синього каналів.
Наприклад:
Re d _ out = Re d _ in /[(blue _ in + green _ in + red _ in) Pan] |
|
Green _ out = Green _ in /[(blue _ in + green _ in + red _ in) Pan] |
(12.1) |
Blue _ out = Blue _ in /[(blue _ in + green _ in + red _ in) Pan] |
|
де
Red_in, Green_in, Blue_in – вхідні червоний, зелений та синій канали; Pan – панхроматичний канал;
Red_out, Green_out, Blue_out – вихідні червоний, зелений та синій канали.
Однак, з використанням ваг і ближнього інфрачервоного каналу (якщо він є), удосконалена формула для кожного каналу матиме вигляд:
DNF = (Pan −W |
Infrared _ in) /(W |
R |
Re d _ in +W |
Green _ in +W |
B |
Blue _ in) |
i |
|
G |
|
|
||
Re d _ out = Re d _ in DNF |
|
|
|
|
|
|
Green _ out = Green _ in DNF |
|
|
|
|
|
|
Blue _ out = Blue _ in DNF |
|
|
|
|
|
|
Infrared _ out = Infrared _ in DNF |
|
|
|
|
|
|
(12.2)
де
Infrared_in – вхідний ближній інфрачервоний канал; Infrared_out – вихідний ближній інфрачервоний канал;
WR, WG, WB, WI - ваги для червоного, зеленого, синього та інфрачервоного каналів відповідно.
При перетворенні за методом Esri використовують зважене усереднення і додатково може використовуватись канал ближньої інфрачервоної зони для створення об'єднаних з панхроматичним вихідних каналів. Результат зваженого усереднення використовують для обчислення значення зрівнювання, яке необхідно для отримання вихідних значень.
Метод Gram-Schmidt заснований на загальному алгоритмі для векторної ортогоналізації - ортогоналізації Gram-Schmidt. Даний алгоритм отримує вектори як вхідні дані (наприклад, три вектори в тривимірному просторі), які не є перпендикулярними, а потім повертає їх таким чином, що після цього вони стають перпендикулярними (ортогональними). У випадку з зображеннями, кожному каналу (панхроматичному, червоному, зеленому, синьому і інфрачервоному) відповідає вектор з декількома вимірами.
Метод підвищення просторового розрізнення IHS конвертує мультиспектральне зображення з RGB в значення яскравості, відтінку і насиченості. Канал з інтенсивністю низького розрізнення замінюється панхроматичним каналом високого розрізнення. Якщо мультиспектральне зображення має інфрачервоний канал, то він віднімається з використанням вагового коефіцієнта.
Потім зображення назад трансформується з IHS в RGB з більш високим розрізненням. При перетворенні за методом SimpleMean до кожної комбінації вихідних каналів
застосовується усереднення за середнім арифметичним.
12.3. Усунення впливу атмосфери на космічні зображення
Під час космічного знімання на зображення об’єктів місцевості накладається зображення шару, яке залежить від стану атмосфери та часу знімання. Усунення впливу атмосфери – важливий етап попереднього опрацювання зображення для кількісного аналізу відображення поверхні.
Для атмосферного коригування зображень необхідно знати такі параметри: кількість водяної пари, розподіл аерозолів, видимість тощо. Оскільки безпосередньо визначити ці складові атмосфери не завжди можна, розробляють методи врахування впливу атмосфери на підставі аналізу спектральних значень яскравостей пікселів або на підставі формування зображень, отриманих із обчислення вегетаційних індексів.
Одним із способів усунення впливу атмосфери є використання спеціальних модулів, що вбудовані у поширені програмні продукти. Так,. модуль ACM (Atmospheric Correction Module) програмного пакета ENVI містить два алгоритми для усунення впливу атмосфери: Quick Atmospheric Correction (QUAC) та Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH).
QUAC – забезпечує автоматизовану корекцію впливу атмосфери для мультиспектральних і гіперспектральних знімків в ділянках спектра 400–2500 нм. За допомогою цього алгоритму обчислють параметри корекції безпосередньо із зображення (спектральні криві пікселів) без
використання будь-якої додаткової інформації. В основі алгоритму QUAC лежить емпіричний пошук середнього коефіцієнта відбиття для різних груп матеріалів (класів об’єктів). QUAC виконує більш загальну корекцію впливу атмосфери. Використання цього алгоритму дозволяє обчислювати коефіцієнти відбиття з похибкою ±15 %.
FLAASH – алгоритм корекції впливу атмосфери на основі заданих моделей. Цей алгоритм дозволяє отримувати точніші дані при корекції зображень, ніж алгоритм QUAC, але потребує додаткової інформації для їх опрацювання.
На відміну від інших алгоритмів коригування впливу атмосфери, які інтегрують значення переданого випромінювання із попередньо обчислених баз даних, FLAASH містить вихідний код моделі MODTRAN4. При виборі будь-якої стандартної моделі MODTRAN головними є сезонні характеристики, зокрема, літо в середніх широтах, зима в середніх широтах тощо, та тип місцевості, що пов’язано із складом аерозолів: сільська місцевість, місто, морські території. Параметри MODTRAN розраховують саме для даної сцени.
Алгоритм FLAASH включає можливості, які якісно відрізняють його від аналогічних алгоритмів, що використовують моделі MODTRAN4:
•корекція ефекту суміжності, який виникає через змішування яскравостей сусідніх пікселів;
•інструмент для розрахунку приблизної видимості сцени (вміст аерозолів та наявність серпанку) за довжинами хвиль 660 і 2100 нм на підставі методу Кауфмана.
•моделі, що враховують багаторазове розсіювання енергії електромагнітних хвиль, величина яких залежить від наявності серпанку і складу аерозолів;
•інструмент для згладжування спектральних кривих і зменшення викидів і перешкод (використовується під час роботи з гіперспектральними знімками).
Для розрахунку відкоригованих значень яскравості використовують формулу:
|
|
Ap |
|
|
|
Bp |
e |
|
|
|
L = |
|
|
|
|
+ |
|
|
+ L |
|
|
|
1 |
− p |
S |
|
|
1− p |
S |
|
a |
|
|
|
|
|
|
||||||
|
e |
|
|
e |
|
|
||||
(12.3)
де
L – значення яскравості піксела;
p – значення відбитої яскравості піксела;
pe – середнє значення відбиття піксела і його найближчої ділянки; La – яскравість відбитого сигналу, розсіяного атмосферою;
A і B – коефіцієнти, які залежать від атмосферних умов; S – сферичне альбедо атмосфери.
Значення A , B , S обчислюються в моделі MODTRAN.
Коригування впливу атмосфери за допомогою алгоритму FLAASH на конкретних знімках показує істотне покращення контрасту зображень, що свідчить про доцільність його використання під час обробки космічних зображень (рис. 12.7).
а) б)
Рис. 12.7. Результати опрацювання зображення із супутника WorldView-2:
а) вхідне зображення, б) зображення, відкориговане за допомогою алгоритму FLAASH
Іншим способом для усунення впливу атмосфери є використання вегетаційного індексу
ARVI (Atmospherically Resistant Vegetation Index), який стійкий до впливу атмосфери.
Вегетаційний індекс ARVI розраховують за формулою:
ARVI = |
NIR − Rb |
|
NIR + Rb |
||
|
||
Rb = (RED − BLUE) |
||
(12.4)
Як правило a=1, за розрідженої рослинності і невідомого типу атмосфери a=0,5. Атмосферостійкий вегетаційний індекс використовує значення відбиття у синій ділянці спектра, щоб усунути вплив атмосфери на коефіцієнти відбиття в червоній ділянці. Значення індексу змінюються від -1 до 1.
При дослідженні вегетаційного індексу ARVI на конкретних зображеннях, встановлено, що для зображень, на яких спостерігається аерозольний серпанок, результативне зображення має підвищений контраст (рис. 12.8). Вегетаційний індекс ARVI дає можливість суттєво зменшити вплив атмосфери, зокрема, зменшити хмарність на зображенні [24].
а) б)
Рис. 12.8. Результати опрацювання зображення із супутника WorldView-2:
а) вхідне зображення, б) зображення, покращене за допомогою вегетаційного індексу
ARVI
Використання вегетаційних індексів особливо ефективне для затінених хмарами територій
(рис. 12.9).
Рис. 12.9. Результати опрацювання зображення із супутника WorldView-2:
а) вхідне зображення, б) зображення, покращене за допомогою вегетаційного індексу
ARVI
Використання вегетаційного індексу ARVI дозволяє покращити якість дешифрування територій, які значно затінені хмарами на вхідному знімку. Крім того, слід зазначити чіткіше зображення водних об’єктів.
12.4. Методи контрольованої та неконтрольованої класифікації зображень
Процес отримання тематичної інформації на основі даних дистанційного зондування із використанням автоматизованих методів їх опрацювання називається тематичною класифікацією.
Вся сукупність значень відбиття багатозонального знімка представляється у вигляді простору спектральних ознак, вимірність якого визначається числом каналів. В такому просторі кожен піксель розташовується відповідно до значень своєї яскравості в окремих каналах, що є координатами його місцеположення. Класифікація – це процес сортування елементів зображення (пікселів) на певну кількість класів.
Розрізняють неконтрольовану та контрольовану класифікацію (рис. 12.10).
Якщо перед початком класифікації невідомо, скільки та які об’єкти є на знімку, застосовують неконтрольовану класифікацію. Цей процес означає автоматичний розподіл пікселів зображення на підставі аналізу статистичного розподілу їх яскравості. Неконтрольовану класифікацію часто використовують як попередній етап контрольованої класифікації.
Контрольовану класифікацію застосовують, якщо наперед відома кількість класів об’єктів та їх типологічні особливості. У процесі цієї класифікації розподіл пікселів на класи здійснюють на основі порівняння значень характеристик кожного піксела з еталонами (навчальними вибірками), які формують для кожного класу відповідно до реальних об’єктів місцевості на знімку.
Неконтрольована класифікація
Неконтрольована класифікація (unsupervised classification) полягає у розподілі всіх пікселів зображення на відносно однорідні класи і ґрунтується лише на близькості їх спектральних характеристик у багатовимірному просторі спектральних ознак. Неконтрольовану класифікацію застосовують за відсутності еталонних даних про наземні об’єкти, тобто якщо їх спектральні властивості апріорно невідомі через нестачу наземної інформації або добре виражених рис ландшафту на самому знімку. У такому випадку основним завданням дешифрувальника є обґрунтування оптимального числа класів, а також визначення їх відповідності класам наземних об’єктів.
|
|
Алгоритми |
|
|
Неконтрольована |
Контрольована |
|
Isodata |
K-means |
Параметричні |
Непараметричні |
|
|
Мінімальна |
Бінарне кодування |
|
|
Відстань |
Правило |
|
|
Максимальна |
|
|
|
Спектральний кут |
|
Рис. 12.10. Алгоритми класифікації зображень
Для створення класів за властивими для пікселів спектральними відмінностями доцільно використовувати неконтрольовану класифікацію. Вона дає змогу легко виокремити безліч таких класів (пікселів). Також неконтрольована класифікація може використовуватись для створення тематично визначеного набору класів із подальшим використанням контрольованої класифікації.
Найбільш відомими є два алгоритми неконтрольованої класифікації: K-mean та Isodata.
Алгоритм ISODATA (Iterative Self-Organizing Data Analysis Techniques) реалізує ітеративний метод аналізу даних. Даний алгоритм розроблено у 1965 р..
Даний метод класифікації використовує спектральні відстані і здійснює класифікацію пікселів в ході декількох ітерацій. На кожній ітерації перевизначаються критерії створених класів, після чого класифікація проводиться повторно. При цьому відбувається поступове злиття зразків, створених на основі спектральних відстаней.
Алгоритм ISODATA відноситься до класу евристичних алгоритмів. У нього включені процедури видалення, об'єднання і розділення класів. Кожна процедура виконується за дотриманні деяких умов. Допускається попарне об'єднання класів і поділ одного класу на два. Протягом першої ітерації простір ознак розбивається на ділянки у вигляді вектора, центром кожної з яких є середнє значення яскравості класів. На другій і наступних ітераціях виконується аналіз пікселів послідовно від лівого верхнього кута знімка до нижнього правого. Обчислюються спектральні відстані між пікселями і середніми значеннями класів. Пікселі призначаються в ті класи, де ця відстань є мінімальною.
Статистики класів (наприклад, середні значення яскравості кожного класу) розраховуються з врахуванням нового спектрального положення пікселів. Ці середні значення використовуються для перевизначення класів на черговому кроці.
В кінці кожної ітерації обчислюється відсоток пікселів, приписування яких до певного класу не змінилося порівняно з попереднім кроком. Якщо цей показник досягне величини QN (поріг збіжності), виконання процесу припиняється.
Можлива ситуація, коли процент пікселів, які не змінили свого відношення до класу, ніколи не досягне порогу збіжності. У такому випадку виконується максимальна кількість ітерацій і тоді процес зупиняється.