CC BY
138
МЕТОД ОБНАРУЖЕНИЯ ВНОВЬ ПОЯВИВШИХСЯ ОБЪЕКТОВ СТРОИТЕЛЬСТВА НА ОСНОВЕ АНАЛИЗА СПЕКТРАЛЬНЫХ И ПРОСТРАНСТВЕННЫХ ХАРАКТЕРИСТИК РАЗНОВРЕМЕННЫХ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ
Сергей Михайлович Борзов
Институт автоматики и электрометрии СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Коптюга, 1, заведующий лабораторией, (383)330-90-33, e-mail: [email protected]
Андрей Олегович Потатуркин
Институт автоматики и электрометрии СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Коптюга, 1, аспирант, e-mail: [email protected]
Предложен комбинированный метод обнаружения изменений застройки на спутниковых изображениях среднего разрешения. Данный метод основывается на совместном использовании спектральных и пространственных признаков изображений. Эффективность метода продемонстрирована на примере обработки изображений спутника SPOT-4.
Ключевые слова: дистанционное зондирование Земли, обнаружение изменений, спектральные и пространственные признаки.
DETECTION OF BUILDING CONSTRUCTION DEVELOPMENT BASED ON SPECTRAL AND SPATIAL FEATURES ANALYSIS OF MULTITEMPORAL SATELLITE IMAGERY
Sergey M. Borzov
Institute of Automation and Electrometry SB RAS, 630090, Russia, Novosibirsk, 1, Koptyuga, head of laboratory, tel. (383)330-90-33, e-mail: [email protected]
Andrey O. Potaturkin
Institute of Automation and Electrometry SB RAS, 630090, Russia, Novosibirsk, 1, Koptyuga, postgraduate student, e-mail: [email protected]
This article describes the composite method for change detection, specifically the changes in building construction development. The proposed method is based on usage of both spectral and spatial features of image. Its effectiveness is evaluated on the task of SPOT-4 imagery evaluation.
Key words: remote sensing, change detection, spectral and spatial features.
Введение. Методы обнаружения изменений на поверхности Земли по спутниковым изображениям можно разделить на разностные и пост-классификационные. Разностные в качестве критерия используют разность яркостей соответствующих пикселей или расстояние между ними в многомерном пространстве признаков, образованном из поканальных яркостей. Пост-классификационные основаны на предварительной классификации многоспектральных изображений и определении пикселей,
1
изменивших индекс класса (межклассовых переходов). Каждый из подходов обладает определенными преимуществами, однако имеет также ряд ограничений и недостатков. Так пост-классификационные более трудоемки, но их результаты проще интерпретировать. Разностные менее затратные, но полученные после обработки данные представляют собой цифровые изображения, требующие дальнейшего анализа для принятия решения о наличии значимых изменений. При этом разностные методы рассматривают данные не как изображения, а как набор независимых спектральных изменений, выполнение же классификации допускает использование пространственной информации. В последнее время при решении практических задач все чаше используются комбинированные методы, учитывающие специфику выделяемых объектов и на разных этапах обработки сочетающие анализ спектральных и пространственных признаков.
Целью данной работы является разработка и исследования метода выделения вновь появившихся объектов строительства (на начальной стадии) на основе анализа спектральных и пространственных характеристик разновременных спутниковых изображений среднего разрешения.
Метод обработки данных. Предлагаемый метод обнаружения антропогенных изменений на поверхности Земли по данным ДЗЗ в качестве базового использует подход CBAD (cluster-based anomaly detector) [1], заключающийся в сегментации опорного (более раннего) изображения и оценке в тестируемом (более позднем) изображении параметров распределений пикселей, находящихся в границах сформированных сегментов. Изменившиеся пиксели будут более отклонены от центров кластеров, чем неизменившиеся.
При этом принято во внимание, что
- обнаруживаемые объекты на начальной стадии строительства в первую очередь характеризуются наличием участков вскрытых грунтов и снижением количества растительности,
- участки вскрытых грунтов большой площади, относящиеся к землям сельскохозяйственного назначения, выделению не подлежат,
- небольшие изменения площади и яркостных параметров существующих ранее антропогенных объектов в данном случае интереса также не представляют.
С учетом отмеченных особенностей объектов поиска метод обнаружения изменений состоит из следующих процедур:
1. На основе анализа опорного изображения строится маска антропогенных объектов. С этой целью выполняется оконтуривание изображений и для каждого пикселя контура рассчитывается максимальный угол (угол обзора), через который от него может на заданное расстояние наблюдаться окрестность, не заслонённая другими пикселями контура [2]. Пиксели, находящиеся внутри текстурированной области, будут иметь весьма малые углы обзора, находящиеся на ее краю - большие. Далее в пределах выделенных текстурированных областей осуществляется
попиксельный расчет вегетационного и водного индексов, и за счет пороговой обработки исключаются пиксели, относящиеся к растительности и воде.
2. С применением аналогичной методики по тестируемому изображению на основе текстурных признаков строится маска природных зон.
3. С использованием метода максимального правдоподобия выполняется контролируемая классификация базового изображения, формируются пространственные сегменты, содержащие однородные области.
4. Путем определения на тестовом изображении пикселей, отклонившихся в красном и в коротковолновом инфракрасном (SWIR) каналах в сторону увеличения или в зеленом ^) и в ближнем инфракрасном (ЖК) в сторону уменьшения яркости более других от центров распределений соответствующих классов, формируется карта изменений.
5. В полученной карте изменений маскируются пиксели, отмеченные в маске антропогенных объектов опорного изображения или в маске природных объектов тестируемого.
Экспериментальное исследование. Предложенный метод исследован на примере обнаружения объектов в окрестности города Барнаул (Алтайский край) по многоспектральным данным спутника SPOT-4. На рис. 1, а, б приведены два разновременных изображения земной поверхности, полученные 28 августа 2010 г. и 1 августа 2011 г. соответственно. С учетом размеров обрабатываемых изображений 2000х2000 пикселей и разрешения снимков 20 м. общая площадь контролируемого участка составляет 1600 км .
а б
Рис. 1.
На рис. 2, а представлен результат контролируемой классификации базового изображения с выделением 5 классов (используемые обучающие выборки отмечены на рис.1, а). На рис 2, б результат выделения пикселей отклонившихся от центров кластеров в сторону увеличения яркости в R и SWIR каналах или в сторону уменьшения яркости в G и ЫЖ каналах более чем на 3СКО.
Анализ данного изображения показывает, что помимо объектов застройки выделились изменения, произошедшие на сельскохозяйственных землях (вспахано поле, скошена трава и т.п.), а также многочисленные незначительные изменения яркости и формы ранее существующих антропогенных объектов.
На рис. 2, в приведен окончательный результат выделения изменений после использования маски антропогенных объектов, сформированной по базовому изображению, и маски природных территорий, сформированной по тестируемому изображению. Данная процедура привела к значительному уменьшению количества ложных отметок на карте изменений.
Рис. 2.
Для количественной оценки эффективности метода были выбраны несколько характерных тестовых фрагментов. Первый фрагмент содержит земли сельскохозяйственного назначения. Второй - изображение коттеджного поселка, который расширяется на прилегающей территории. Третий участок относится к зоне плотной застройки. Здесь также наблюдается появление новых объектов. Результаты обработки перечисленных фрагментов представлены на рис. 3. Здесь первые два столбца - исходные разновременные изображения, 3,4,5 - выделение изменений предложенным методом без использования пространственных признаков, с использованием маски природных зон и с использованием обеих масок, соответственно.
Численные значения ошибок обнаружения, рассчитанные путем сравнения с картой изменения, сформированной экспертом вручную, приведены в табл. 1.
Таблица 1
Эффективность обнаружения изменений по тестовым фрагментам _______________(ошибки 1 рода /ошибки 2 рода (%))____________________
Спектральные Маска природных Обе маски
признаки зон
Сельскохозяйственные земли 0/11.86 0/0.14 0/0.14
Поселок 46.96/1.74 47.20/0.20 50.37/0.20
Город 13.59/2.55 14.44/2.49 16.77/1.22
Рис. 3.
Из приведенных данных видно, что использование маски природных зон тестируемого изображения позволяет значительно снизить количество ошибок второго рода (ложное срабатывание) для областей сельской застройки и сельскохозяйственного назначения. Для областей городской застройки снижение ошибок второго рода достигается использованием маски антропогенных объектов опорного изображения. При этом количество ошибок первого рода (пропуск цели) для всех фрагментов увеличивается незначительно. Следует также отметить, что большое количество ошибок первого рода для территории поселка связано с характером возникших изменений - это сетка вновь построенных внутриквартальных дорог. Ошибки в первую очередь связаны с точностью определения положения этих дорог оператором и автоматизированным алгоритмом.
Заключение. Предложен метод обнаружения антропогенных изменений на поверхности Земли по спутниковым изображениям среднего пространственного разрешения, сочетающий обработку спектральных и текстурных признаков. На первом этапе производится классификация опорного изображения по спектральным признакам и формирование пространственных масок антропогенных объектов в опорном и природных зон в тестовом изображениях с учетом текстурных характеристик. На втором
- в тестовом изображении выделяются пиксели, отклонившиеся более других от центров распределений соответствующих классов и не отмеченные ни одной из масок. Данный метод позволяет выполнить обнаружение изменений на поверхности Земли, вызванных строительством новых объектов, не прибегая к трудоемкой и требующей большого объема обучающих выборок детальной классификации изображений.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Carlotto, M.J., 2005. A Cluster-Based Approach for Detecting Man-Made Objects and Changes in Imagery. IEEE Transactions on Geoscience and Remote Sensing, 43(2), pp. 374-387.
2. M. Petrou, P.Gacia Sevilla Image Processing Dealing with Texture, Wiley, New York, 2006. 618 p.
© С. М. Борзов, А. О. Потатуркин, 2014
