CC BY
90
УДК 004.932.2
АДАПТИВНЫЙ МЕТОД ВЫДЕЛЕНИЯ ПОЛЕЙ ОБЛАЧНОСТИ НА КОСМИЧЕСКИХ СНИМКАХ ВЫСОКОГО РАЗРЕШЕНИЯ
П.Ю. Селиванов
В статье рассматриваются подходы к описанию области интересов на аэрокосмических снимках. Предлагается новый метод выделения полей облачности, позволяющий использовать априорную информацию об интересующих объектах
Ключевые слова: аэрофотоснимки, облачность, область интересов
Введение
Данные дистанционного зондирования, обрабатываемые автоматизированными комплексами, безусловно, включают в себя аэрокосмические снимки местности. Качество информации интересующих территорий на полученных изображениях напрямую зависит от наличия облаков на них. Очевидно, что огромную роль играет не только факт облачности, но и форма облаков; расположение относительно зон, закрытых облаками, на других снимках данной территории; расположение полей облачности относительно интересующих объектов при решении конкретной задачи. Если на снимке больше половины территории закрыто облаками, но интересующий нас объект, например, транспортная сеть, отображается достаточно полно, то распознавание инфраструктуры территории возможно. Может иметь место и обратный случай, когда незначительная облачность, закрывая интересующий объект, делает невозможным решение поставленной задачи.
Кроме расположения облаков на снимках важную роль играет плотность облаков, которая оказывает влияние на способность пропускать излучение различных длин волн как отраженных от интересующих объектов, так и испускаемых ими. Следовательно, напрямую влияет на возможность определения объектов на полученных изображениях. Как и при рассмотрении расположения облаков, большое значение при анализе влияния облачности на информацию, извлекаемую из снимков, имеет решаемая задача и различимость интересующих объектов через облака на снимке. Поэтому при невозможности сегментации объектов области интересов, расположенных на территории, закрытой полупрозрачной облачностью, она должна быть отнесена к плотной, хотя многие объекты, не принадлежащие области интересов, будут различимы сквозь нее.
Селиванов Павел Юрьевич - ВГТУ, соискатель, тел. 8(495)931-05-63, e-mail: [email protected]
И, наоборот, если облачность не мешает распознаванию интересующих объектов, то, несмотря на невозможность полной сегментации рассматриваемой части изображения, она не должна быть отнесена к облаку.
В ряде отечественных работ были предложены методы выделения полей облачности [3,4]. Получаемое на входе изображение рассматривалось как обособленный объект для исследования, и не учитывались задачи, решаемые автоматизированной системой, для которой этот снимок проходил обработку. Предлагаемый метод, используя априорную информацию об области интересов, позволяет оценивать различимость интересующих объектов сквозь полупрозрачную облачность. На основе этой оценки делается вывод об отнесении соответствующих частей изображения к полям облачности.
Формальное описание задачи
Под интересующей задачей будем понимать совокупность действий автоматизированной системы, включающую действия оператора. Интересующий объект или область интересов (Areas Of Interest, AOI) - область на изображении, выделяющая пространственный объект или его свойство, а также представляющая какой-либо интерес для исследований.
Всюду в дальнейшем будем считать, что имеется в распоряжении некоторое конечное множество из N снимков
X = {K1,K2,...,Kn ,...,Kn }, n elN,
где №n (x, y) - двумерная функция, частично или
полностью определенная в некоторой прямоугольной области. С каждой функцией будут неразрывно связаны три параметра: ее область определения Un, пространственное разрешение
и момент времени tn , в который этот снимок
был сделан. Последние два параметра задаются при съемке и являются неизменными свойствами функций. Под областью же определения изображений, всюду в дальнейшем, будем пони-
мать ту ее часть, которая не закрыта облаками, а, значит, ее нахождение является задачей, эквивалентной выделению полей облачности на снимке. Исходя из особенностей описываемого алгоритма, введем следующее обозначение
ип = ип и и'п, п е1, N , где ип - область ну-
II
левой облачности, ип - область полупрозрачной облачности, не отнесенная к облакам. Обо-
N
значим А01 = и А01п - область интересов
п=1
для решаемой задачи, где А01п, п е 1, N - область интересов на снимке Ки, п е 1, N.
Каждому изображению Кп е X, п е 1, N может быть поставлена в соответствие булева функция двух переменных Бп (X, У) , показывающая принадлежность пикселя (X, у) к полям облачности на снимке, то есть, Тгце(^п ) -
множество, на котором функция (X, у) при-
нимает единичные значения, показывает множество точек, принадлежащих облачности. Таким образом, задача нахождения области определения ип снимка К, п е 1, N эквивалента нахождению множества Тгие(£п ) .
Без ограничения общности будем считать, что любой снимок класса X расположен таким образом, что, если бы соответствующая функция ^ - 0, то он бы являлся растровой картой, то есть, все объекты области интересов снимка
К, п е 1, N могут быть распознаны на нем. В
терминах областей определения функций изображений приведенное выше допущение может быть записано следующим образом: если
Зи еЩ ^ - 0 ^ ип з А01п.
Для работы предлагаемого метода необходимо провести регистрацию изображений. На сегодняшний день существует достаточно способов для проведения привязки изображений как в автоматическом режиме [6, 7], так и в интерактивном [9]. При сопоставлении каждому пикселю изображений координаты введенной прямоугольной системы, задается их взаимное расположение. Всюду в дальнейшем будем считать координаты всех пикселей изображений известными, а такие изображения называть привязанными.
Описание области интересов
Для реализации предложенного подхода необходимо описать область интересов. Разделим все объекта из AOI на статические и динамические. К статическим отнесем те объекты, свойства которых не изменяются во времени или изменения свойств которых не представляет интереса. Динамическими назовем объекты, форма, свойства и положение которых меняются во времени и должны быть выявлены автоматизированной системой. При решении задач контроля перемещения интересующих объектов примером статических элементов области интересов могут служить: дороги, по которым передвигаются интересующий автотранспорт; места стоянок этого транспорта; строения, находящиеся вдоль автодорог и мест стоянок. К динамическим элементам AOI можно отнести автомобили.
Статические объекты из AOI определяют возможные места обнаружения динамических объектов. Например, при реализации системы, отслеживающей количество самолетов на аэродроме, такими местами становятся места их стоянок, взлетно-посадочные полосы. В условиях пересеченной местности при слежении за вертолетами не удается так сильно локализовать места поиска, хотя некоторым образом сузить территорию возможно, используя характер рельефа, густоту растительного покрова и т.д.
Серия разновременных снимков дает возможность построить растровую карту наименьшей облачности, мозаично составленную из изображений подкласса Х1 с X . То есть, набор
Х1 = {К ^,..., К Пк }, к e 1, N такой, что мощность
к
множества UU, максимальна по всем наборам
j=1 "J
{n1,..., пк}, к el, N. При этом задача построения
растровой карты с использованием минимального количества изображения класса X не ставиться. С другой стороны, необходимо построить наиболее актуальную растровую карту, а именно: для каждой точки (x,у) найти такое изображение Кп, п e 1, N, что tn = min tt по всем
изображениям К ■, i e 1, N , для которых
(х, у) e U, i e 1, N . Построить Х1 возможно лишь при условии, что для каждой функции
изображения Kn e X, П e 1, N найдены области нулевой облачности Uп, n e 1, N, что мо-
жет быть сделано с использованием известных алгоритмов [3,4].
Для описания статических элементов будем использовать вычисленные по растровой карте текстурные признаки, форму и расположение объектов. Каждому объекту сопоставим привязанное бинарное изображение Б1а1к, п е 1, К (К
- количество статических объектов А01), единичные значения которого соответствуют пикселям объекта, и трехмерный вектор
хк = (ц2,, , ек ), к е1, К , где ^2, /л3- второй и
третий центральные моменты яркостей пикселей области объекта, е - энтропия. Вследствие влияния полупрозрачной облачности среднее значение яркости пикселей одного объекта, определяемое математическим ожиданием, отличается в зависимости от плотности облачности и не может быть выбрано в качестве дескриптора. Для описания текстуры особенно важен второй момент, то есть дисперсия; она является мерой яркостного контраста, что можно использовать для построения дескрипторов относительной гладкости. Третий момент является характеристикой асимметрии гистограммы. Среди прочих характеристик текстуры отметим среднюю энтропию, характеризующую изменчивость яркости изображения. Она равна нулю для области постоянной яркости и максимальна в случаях равновероятных значений.
Для описания динамических элементов А01 необходимо выбрать такие признаки (дескрипторы), которые наименее чувствительны к изменению размеров объектов, его перемещению по полю изображения (сдвиг, поворот). Так же необходимо учитывать влияние полупрозрачной облачности, которую можно рассматривать как случайную шумовую составляющую изображения с неизвестной плотностью распределения.
Так как динамические элементы А01 представляют собой объекты, произведенные человеком и используемые им, то они имеют заранее известную форму и размеры, что и объясняет выбор формы объектов в качестве дескрипторов. Для описания формы, геометрии объекта используется его остов. Он может быть представлен как совокупность разрешенных элементов алфавита, соединенных по некоторым правилам синтаксиса. Таким образом, каждому классу динамических объектов может быть сопоставлена регулярная грамматика
в = (Н, Ъ, Р, То)
Р = {у ^ а,Т1 ^ аТ21 а еЪ;Тх,Т2 е Н} - определение регулярности), где Н = (У0, Уг,..., Тп) -
не терминальные символы, Ъ - терминальные символы, Р - правила подстановки, Т0 е Н -
начальный символ [1, стр .1041-1048]. По заданной грамматике строится конечный автомат распознаватель А = (0, Ъ, 8, Ч0, ¥) следующим образом. Множество состояний 0 состоит из п + 2 состояний {ч0, Ч\, -, Чп , Чп+1} , таких что qi
соответствует Т для г е 0, п , а Чп+1 - заключительное состояние. Входной алфавит совпадает с множеством терминальных символов. Функция переходов 8 строится при помощи двух нижеперечисленных правил; а именно, для любых г, у таких, что г е 0, п и ] е 0, п,
1. Если в множестве Р имеется правило Т ^ аУ. , то в множество 8(чг, а) включается
Ч.
2. Если в множестве Р имеется правило Уг ^ а , то в множество 8(ч , а) включается
Чп+1.
Или по другому,
Г аг, если У ^ аУ е Р, а еЪ 8(дг,а) ’
[Чп+1, если у ^ а е Р , а еЪ .
Таким образом, каждому классу динамических объектов будет сопоставлен автомат распознаватель Ат, т е1,М , М - количество выделенных классов динамических элементов.
Метод адаптивного выделения полей облачности
Шаг 1. Построение растровой карты, бинарных изображений Б1а1к, п е 1, К и автоматов
Ат, т е 1,М для описания статических и динамических объектов А01 соответственно (К -количество статических объектов, М - количество выделенных классов динамических элементов).
Шаг 2. Выделение анализируемых областей изображений. При построении растровой карты
функции Бп(X, у),п е 1, N частично определены. Дальнейший анализ каждого из изображений Кп, п е 1, N будет производиться для определения каждого из них в области 0п = (А01 \ СО п и &а1к, п е1, N.
кЕ^К
Рассмотрение только этой области объясняется следующими соображениями: во-первых, пиксели, свободные от облаков, определены ранее;
во-вторых, статические элементы А01 определяют все возможные места нахождения динамических элементов.
Анализируемая часть изображения 0п методом пороговой обработки может быть сужена выделением областей полупрозрачной облачности [1, с.861-868][3]. При этом из рассмотрения будут исключены пиксели, соответствующие плотным облакам.
Шаг 3. Сегментация изображений
Кп, п е 1, N в выбранной области 0п . При выборе алгоритма сегментации необходимо учитывать влияние облачности, которая может быть рассмотрена как случайный шум с некоторым неизвестным распределением. Этот факт делает невозможным применение методов сегментации, использующих градиентные операторы. В предлагаемом методе выделения полей облачности было отдано предпочтение сегментации по морфологическим водоразделам в силу их устойчивости к шуму и возможности включать в процесс сегментации добавочные ограничения.
Шаг 4. Классификация образов сегментированного изображения и принятия решения об отнесении той или иной области к полю облачности. Благодаря имеющейся априорной информации о месте расположения статических элементов А01 может быть сделан однозначный вывод о возможности их распознавания сквозь полупрозрачную облачность. Пусть анализируется различимость статического объекта с номером к, к е1, К сквозь облачность на изображении Кп, п е1, N . Для области Ттие($>1а1к) считаются статистики, выбранные для описания текстуры, и строится вектор X = (^2,¡л3,е) . При
этом, если расстояние р( X, X) меньше заданного порога Т , то статический объект считается распознанным.
Все области полученного сегментированного изображения будут проверяться на принадлежность классам динамических объектов. При помощи преобразования к главным осям (ПГО), предложенного Блюмом[2], строятся остовы областей. Непосредственная реализация ПГО требует большого количества вычислений. Р. Гонсалесом предложен алгоритм построения остова, обладающий приемлемой сложностью [1,с.927-930]. Затем остов представляется совокупностью элементов грамматики, которые последовательно подаются на вход автоматов распознавания.
Если автомат Ат, т е1, М останавливается в
состоянии Чп+1 , то область, полученная после сегментации, считается распознанным динамическим объектом класса т .
Вывод об отнесении областей к полям облачности делается из следующих соображений:
1. Области с нераспознанными статическими объектами относят к полям облачности;
2. Области с распознанными динамическими объектами на фоне статических - к областям без облачности;
3. Принятие решения об отнесении областей с распознанными только статическими объектами принимается на основе априорных сведений об интересующей задаче.
Третий пункт поясним отдельно. В случае, если автоматизированная система должна фиксировать появление хотя бы одного объекта на некоторой территории, то рассматриваемая область должна быть отнесена к облаку. Примером такой системы может быть комплекс, производящий мониторинг территории, подверженной радиационному заражению. Если же автоматизированная система должна сообщать о большом скоплении динамических объектов на некоторой территории, то это часть снимка должна быть отнесена к фрагменту без облачности, например, анализ аэрофотосъемки аэродромов противника при ведении боевых действий.
Эмпирическая проверка
Совершенно очевидно, что в настоящее время отсутствует единый теоретический каркас для задач анализа и распознавания изображений. Кроме того, реализованная автоматизированная система распознавания изображений требует эмпирической проверки эффективности функционирования. Натуральные испытания системы распознавания могут дать наиболее полную объективную оценку эффективности системы. Проведение таких испытаний часто представляет собой сложную и весьма дорогостоящую операцию. Поэтому натуральные испытания, если позволяет производительность средств наблюдения и вычислительных средств, которыми оснащена система, стремятся проводить, по возможности совмещая эксплуатационный режим и экспериментальную апробацию функционирования системы.
Проверка эффективности предлагаемого метода проводилась в рамках так называемых лабораторных испытаний. В ходе их проведения системе предъявлялись физические модели распознаваемых объектов в условиях, подобных реальным условиям работы. В результате устанавливались оценки вероятностей того, что признаки объектов будут выявлены и истинные значе-
ния их будут искажены помехами, вызванными наличием облачности. Необходимость выдерживать условия подобия лабораторных экспериментов натуре требует определенных материальных затрат, связанных с получением большого количества разновременных снимков одной территории. В связи с этим, построение параметрической модели распознаваемого изображения, при помощи которой возможно имитировать облачность различной плотности для космических снимков, представляется актуальной задачей.
Рассмотрим модель искажения изображе-ния[1]. Процесс искажения предполагает действие Н на исходное изображение К^, у) , что после добавления аддитивного шума дает искаженное изображение К'^, у) .
Модель искажения изображения
Искажающее преобразование, которому подвергается функция К^, у), может быть записано в виде
К'(X, у) = Н[К(X, у)] + п(X, у).
Для построения изображений, покрытых облачностью, будем считать, что Н - тождественный оператор, то есть, мы имеем дело с искажениями, вызванными только наличием шума. Для дальнейшего рассмотрения важными являются параметры, определяющие пространственные характеристики шума. Необходимо заметить, что расположение облаков на снимке, а, значит, шум, не коррелирует с изображением. Кроме того, возможность распознавания интересующих объектов по изображению К'^, у) зависит от количества ненулевых точек в матрице шума п( X, у).
В рамках сделанных выше предположений будем иметь дело с описанием поведения шума в пространственной области, которое основано на равномерном распределении шумовых точек с одинаковыми максимальными значениями яркости (2^ — 1, где ^ - количество бит описания яркости изображения), при этом различные плотности облаков моделируется количеством шумовых точек.
В таблице проведены сравнительные характеристики предложенного, а также существующих методов определения полей облачности. Преимущества описанного метода очевидны, но его реализация более сложна. Для проведения эксперимента было использовано космическое изображение, полученное со спутника Брої5, дата съемки 08 октября 2008 года, центр N 52°43’’ Е 43°37’’, угол -2.26°.
Сравнение методов определения полей облачности
Относи- тельное кол-во шумовых точек Процент ложных точек в определенном поле облачности Процент не определения существующего поля облачности Преимущества
Алгоритм, основанный на классификации и распознавании образов (Протасов К.Т.) 53% 23% 1,5% Простота реализации, высокая эффективность для снимков низкого разрешения
Алгоритм, основанный на свойствах локальной однородности данных (Гриднев Ю.В.) 57% 26% 1,5% Простота реализации, высокая эффективность для снимков низкого разрешения
Алгоритм адаптивного определение полей облачности 64% 10% 1,5% Высокая эффективность для снимков высокого разрешения, учет решаемой задачи
Визуальный анализ 76% - - -
Заключение
Предложенный метод выделения полей облачности является основой для подготовки данных, включаемых во временную модель интересующей территории на основе серии разновременных снимков, которая может быть использована для решения следующих задач:
• выявления движущихся интересующих объектов и их выделения;
• выявления вновь появившихся объектов и принятия решения об отнесении их к интересующим;
• выявление исчезновения интересующего объекта со снимка;
• выявление изменений формы интересующих объектов;
• построение статистического изображения местности.
Перечисленные задачи являются основными для осуществления мониторинга интересующей территории.
Литература
1. Гонсалес Р., Вудс Р. Мир цифровой обработки. Цифровая обработка изображений.- пер. с англ. под ред. П.А.Чочиа, М.: Техносфера, 2005, 1070с.
2. H. Blum. A transformation for extracting new descriptors of shape, In W. Wathen-Dunn, editor, Models for perception of speech and visual form, MIT Press, 1967.
3. Протасов К.Т. Выделение полей облачности на космических снимках алгоритмом сегментации, основанным на классификации и распознавании образов, журнал «Оптика атмосферы», том 11, 1998г., № 01, с.79-85
4. Гриднев Ю.В. Выделение облачных полей на космических снимках алгоритмом сегментации, основанным на свойствах локальной однородности данных. «Оптика атмосферы», том 11, 1998г., № 04, с.430-434
5. Дуда Р., Харт П. Распознавание образов и анализ сцен. - М.: Мир, 197бг, 511 с.
6. O. Chum, J. Matas. Matching with PROSAC _ Progressive Sample Consensus // Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2005, Vol. 1, pp. 220-226.
7. Кривцов О.А. Кориков А.М. Инверснокомпозитный алгоритм регистрации изображений. «RSDn Magazine», №1, 2010г.
8. Гонсалес Р., Вудс Р. Мир цифровой обработки. Цифровая обработка изображений.-.- пер. с англ. под ред. В.В.Чепыжова, - М.: Техносфера, 2006, 615 c.
Воронежский государственный технический университет
ADAPTIVE METHOD FOR THE DEFINITION OF FIELDS OF CLOUDS AT HIGH
RESOLUTION SATELLITE IMAGES
P.Y. Selivanov
In the article different ways of description of the area of interests on the aerial photograph are examined. A new method for the selection of the fields of clouds is suggested that allows to use a priori information about objects of interest
Key words: aerial photograph, fields of clouds, area of interests
