Использование метода независимых компонент при дешифрировании снимков лесных массивов Текст научной статьи по специальности «Нанотехнологии»

ИСПОЛЬЗОВАНИЕ МЕТОДА НЕЗАВИСИМЫХ КОМПОНЕНТ ПРИ ДЕШИФРИРОВАНИИ СНИМКОВ ЛЕСНЫХ МАССИВОВ

Александр Петрович Гук

Сибирская государственная геодезическая академия, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, доктор технических наук, профессор-консультант кафедры физической геодезии и дистанционного зондирования, тел. (383)361-01-59, e-mail: [email protected]

Станислав Андреевич Арбузов

Сибирская государственная геодезическая академия, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, кандидат технических наук, старший преподаватель кафедры физической геодезии и дистанционного зондирования, тел. (383)361-01-59, e-mail: [email protected]

Александра Александровна Гук

Сибирская государственная геодезическая академия, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры физической геодезии и дистанционного зондирования, тел. (383)361-01-59, e-mail: [email protected]

В статье рассмотрена возможность использования метода независимых компонент (ICA) для дешифрирования многозональных снимков лесных массивов. Проведено сравнение результатов обработки снимков методом ICA и методом главных компонент (PCA).

Ключевые слова: автоматизированное дешифрирование, метод главных компонент, корреляция, анализ независимых компонент, момент четвёртого порядка.

РOSSIBILITY OF INTERPRETATION OF MULTISPECTRAL IMAGES OF FORESTS BY MEANS OF INDEPENDENT COMPONENTS ANALYSIS METHOD

Aleksander P. Guk

Siberian State Academy of Geodesy, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Doctor of Sciences, professor-consultant, Department of physical geodesy and remote sensing, tel. (383)361-01-59, e-mail: [email protected]

Stanislav A. Arbuzov

Siberian State Academy of Geodesy, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Senior Teacher, Department of physical geodesy and remote sensing, tel. (383)361-01-59, e-mail: [email protected]

Aleksandra A. Guk

Siberian State Academy of Geodesy, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., post graduate student, Department of physical geodesy and remote sensing, 1еХ. (383)361-01-59, e-mail: [email protected]

In the article the possibility of interpretation of multispectral images of forests by means of independent components analysis method (ICA) is investigated. The results of image processing using ICA and principal component analysis (PCA) are compared.

Key words: automated interpretation, principal component analysis, correlation, independent component analysis, kurtosis.

Численный анализ многоспектральных изображений широко используется при дешифрировании различных типов объектов, в том числе и при дешифрировании снимков лесных массивов. Целесообразно выделять два подхода к использованию методов многоспектральной обработки -автоматизированный подход, когда изображение преобразуется таким образом, чтобы улучшить возможности визуального дешифрирования снимков оператором [1, 2, 3] и автоматическое дешифрирование, когда выделение объектов происходит полностью автоматически. Во втором случае наиболее благоприятным вариантом является, когда исследуемому объекту соответствует определённая яркость (диапазон яркостей) в некотором канале многоспектрального изображения. Однако на практике объект влияет на достаточно широкий спектральный диапазон измерительной системы и поэтому измерения, выполненные в виде многоспектральной яркости, имеют существенную корреляцию, то есть элементы вектора изображения коррелированы между собой и нельзя установить однозначное соответствие между вектором и спектральной яркостью объекта. В связи с этим возникает потребность перейти от вектора измерений к вектору признаков.

Для этого разрабатываются различные методы преобразования исходных измерений, наиболее популярным из которых в настоящее время является метод главных компонент.

Многоспектральная съёмочная система получает изображение в нескольких (обычно 4-8) достаточно узких зонах электромагнитного спектра (спектральных каналах). Тем не менее, измерения практически каждого элемента изображения (отражающая яркость определяемого объекта) коррелируют между собой. Преобразование главных компонент исходных векторов измерений целесообразно т.к. оно обладает по крайней мере двумя важными свойствами - возможностью уменьшения размерности измерений и вычисления компонент, несущих основную информацию содержащуюся в снимке.

Для получения главных компонент изображения выполняется преобразование Карунена-Лоэва. Для корреляционной матрицы измерений находят собственные векторы и собственные значения. Затем вычисляют

новое многоспектральное изображение P’=UP, где U Собственные векторы корреляционной матрицы измерений.

Развитием метода главных компонент является метод «Tasseled Cap», который настраивает преобразование U на конкретную мультиспектральную съёмочную систему. Однако, некоррелированность не обеспечивает в общем случае независимость преобразованных величин. Практически это возможно в том случае, если распределение подчиняется нормальному закону. Вторым важным фактором является «не гауссова» составляющая распределения плотности вероятности измерений.

Устранение этих недостатков частично позволит использовать метод «анализ независимых компонент» (independent component analysis или ICA). Этот метод позволяет разделить исходные сигналы даже в тех случаях, когда они не подчиняются нормальному закону распределения. Для этого используется более высокий порядок статистик, не основанный на Г ауссовом распределении, которые учитывают более высокие моменты статистических распределений, например kurtosis-четвёртый момент распределения. Основное условие метода ICA это возможность нелинейного преобразования исходных данных с условием сохранения независимости измерений [4]. Сущность метода независимых компонент заключается в нахождении

преобразованных значений у = (УрУ^---Уп) из измеренных величин •X = (x\,x 2-- -Xn) при помощи соотношения [4]:

Г * ]

У 2 = W *2

V У n ) V Хп )

(1)

где W - матрица преобразований, определённая под условием статистической независимости компонент вектора измерений, что выражается следующим соотношением [4]:

E{g(x)h(y)}=E{g(x)}E{h(y)}

(2)

и, соответственно,

p (x,y) = p(x)p(y), (3)

-L x,y J- x -L y

где g и h некоторые (специальным образом подобранные) нелинейные функции, E{} - математическое ожидание, P(x,y)- плотность вероятности.

Следствием общего подхода ICA является возможность разделения источников снимка и приёмников снимка более строго, чем это возможно в методе главных компонент (PCA). Существует несколько алгоритмов решения этой задачи, часть из них реализована в программном комплексе ENVI. Для выполнения экспериментальных работ был использован алгоритм LogCosh, реализованный в ENVI. На рис. 1 показан результат обработки снимка с использованием методов PCA и ICA.

В данной работе использовались основы подхода ICA и получены некоторые практические результаты. На рис. 2 показан график распределения яркостей в спектральных каналах класса «древесная растительность» исходного изображения.

Как видно из рис. 2 кривые распределения яркостей отклоняются от нормального закона, связано это с наличием теней (которые часто выделяют в отдельный класс) и шумов. На рис. 3 показаны результаты применения алгоритмов РСА и ICA.

а б в

Рис. 1. Результаты использования методов РСА и 1СА а - исходный снимок, б - обработанный РСА, в - обработанный 1СА

Рис. 2. Фрагмент 4-х канального аэроснимка и его график распределения

яркостей в спектральных каналах

а б

Рис. 3. Распределение яркостей в спектральных каналах фрагмента снимка, преобразованного при помощи: а) РСА; б) 1СА

Как видно из рис. 3, а, после преобразования PCA основная информация содержится в двух главных компонентах, а третья и четвёртая представляют в основном шум. Метод независимых компонент (рис. 3, б) позволил выделить три информативные компоненты. Дальнейшее исследование в области применения метода ICA позволит повысить распознаваемость породного состава древесной растительности, а также определить другие характеристики лесных массивов.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Разработка методик автоматизированного дешифрирования аэрокосмических

снимков. Дешифровочные признаки изображений объектов на многоспектральных космических снимках / Гук А. П., Евстратова Л. Г., Хлебникова Е. П., Алтынцев М. А., Арбузов С. А., Гордиенко А. С., Гук А. А., Симонов Д. П. // Геодезия и картография. -2013. - № 7. -

С. 31-40.

2. Автоматизированное дешифрирование аэрокосмических снимков. Выявление изменений состояния территорий и объектов по многозональным космическим снимкам, полученным на разные даты / Гук А. П., Евстратова Л. Г., Хлебникова Е. П., Алтынцев М. А., Арбузов С. А., Гордиенко А. С., Гук А. А. // Геодезия и картография. — 2013. — № 8. — С. 33-41.

3. Арбузов С. А., Гук А. А. Исследование алгоритма «дерево решений» в программном комплексе ENVI // Г еодезия и картография. - 2011. - № 2. - С. 11-14.

4. Aapo Hyvarinen, Independent component analysis / Aapo Hyvarinen, Juha Karhunen, Erkki Jja //Canada - 2001 - P. 476.

5. Гордиенко А. С., Алтынцев М. А., Арбузов А. С. Разработка методики многоступенчатого дешифрирования космических снимков // Изв. вузов. Геодезия и аэрофотосъёмка. - 2011. - № 2. - С. 29-32.

6. Гук А. П., Гордиенко А. С., Лазерко М. М. Основные научные исследования кафедры фотограмметрии и дистанционного зондирования в 2010 году: автоматизация дешифрирования космических снимков, построение 3D моделей по материалам дистанционного зондирования // ГЕ0-Сибирь-2011. VII Междунар. науч. конгр. : сб. материалов в 6 т. (Новосибирск, 19-29 апреля 2011 г.). - Новосибирск: СГГА, 2011. Т. 4. -С. 15-21.

7. Гук А. П. Развитие методов автоматизированной обработки многозональных космических снимков высокого разрешения на кафедре фотограмметрии и дистанционного зондирования СГГА // Интерэкспо ГЕ0-Сибирь-2013. IX Междунар. науч. конгр. : Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология» : сб. материалов в 2 т. (Новосибирск, 15-26 апреля 2013 г.). - Новосибирск: СГГА, 2013. Т. 4. - С. 70-73.

8. Guk A. P., Hassan Yehia Hassan Miky Comparative study of methods of remote sensing image change detection // ГЕ0-Сибирь-2009. V Междунар. науч. конгр. : сб. материалов в 6 т. (Новосибирск, 20-24 апреля 2009 г.). - Новосибирск: СГГА, 2009. Т. 4, ч. 1. - С. 76-81.

© А. П. Гук, С. А. Арбузов, А. А. Гук, 2014