Сегментация спутниковых изображений высокого разрешения с учетом их структурных особенностей Текст научной статьи по специальности «Компьютерные и информационные науки»

СЕГМЕНТАЦИЯ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ ВЫСОКОГО РАЗРЕШЕНИЯ С УЧЕТОМ ИХ СТРУКТУРНЫХ ОСОБЕННОСТЕЙ

Сергей Михайлович Борзов

Институт автоматики и электрометрии СО РАН, 630090, Россия, г. Новосибирск, пр. академика Коптюга, 1, зав. лабораторией, тел. (383)330-90-33, e-mail: [email protected]

Андрей Олегович Потатуркин

Новосибирский государственный университет, 630090, Россия, г. Новосибирск, ул. Пирогова, 2, студент 2-го курса магистратуры ФИТ НГУ, e-mail: sgnl [email protected]

Предложен комбинированный алгоритм сегментации спутниковых изображений высокого разрешения на основе совместной обработки спектральных, текстурных и структурных признаков. На первом этапе осуществляется кластеризация исходных изображений по спектральным признакам и формирование пространственных масок для антропогенных зон по характеристикам локальной структуры, а на втором - сглаживание полученных картосхем с учетом построенных масок.

Ключевые слова: спутниковые изображения высокого разрешения, спектральные и пространственные признаки, сегментация изображений.

SEGMENTATION OF HIGH RESOLUTION SATELLITE IMAGERY BASED ON ITS STRUCTURAL PROPERTIES

Sereev 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]

Andrev O. Potaturkin

Novosibirsk State University, 630090, Russia, Novosibirsk, 2, Pirogova, student of 2nd year master, department of information technology, e-mail: [email protected]

This article describes the segmentation algorithm for high resolution satellite imagery, which is based on combined processing of its spectral, texture and structural features. Its first step consists of clasterisation of original image based on its spectral features and formation of anthropogenic areas spatial masks based on local structure properties. Second step of this algorithm is the smoothing of anthropogenic and natural areas differentiated by masks obtained from the first step.

Key words: high resolution satellite imagery, spectral and spatial features, image segmentation.

Введение. Существенным препятствием на пути широкого применения данных дистанционного зондирования Земли (ДЗЗ) высокого разрешения является отсутствие подходящего инструментария для автоматизированного анализа и интерпретации. В частности, одним из принципиальных этапов при обработке ДЗЗ является их сегментация. Сегментация проводится с целью разделения изображения на сегменты, содержащие однотипные по своим визуальным характеристикам пиксели и в своей совокупности покрывающие все изображение. Каждому пикселю присваивается некоторая метка (номер сегмента, к которому он отнесен) с формированием так называемой картосхемы изображения.

Как правило, предполагается, что пиксели одного сегмента относятся к одинаковым типам поверхности и последующий анализ существенно упрощается.

Классические методы сегментации изображений основаны на их попик-сельном анализе и выделении однотипных по спектральным свойствам отсчетов. Такой подход успешно используется при обработке данных низкого разрешения, однако при его увеличении излишняя детализация препятствует классификации. Вследствие высокого разрешения изображений картосхемы, полученные в результате попиксельной классификации, как правило, включают многочисленные вкрапления. Один из известных способов сглаживания состоит в применении специализированного фильтра, получившего в англоязычной литературе название «Majority analysis»[1]. Процедура состоит в замене каждого элемента на наиболее часто встречающийся в некоторой его окрестности. Этот алгоритм сохраняет границы между зонами и устраняет вкрапления, размеры которых меньше заданных пользователем. Однако при этом он приводит к искажению малоразмерных объектов, характерных в первую очередь для антропогенных зон, таких как дороги, здания и т.п.

Суть предлагаемого метода сегментации. В данной работе предлагается двухэтапный метод сегментации спутниковых изображений высокого разрешения, основанный на совместной обработке спектральных, текстурных и структурных признаков. На первом этапе производится классификация исходных изображений по спектральным признакам и формирование пространственных масок для антропогенных зон по характеристикам локальной структуры изображений, а на втором - анализ и коррекция полученных картосхем с учетом текстурных признаков и построенных масок.

Для реализации спектральной классификации первого этапа может быть использован любой метод, реализованный в общеизвестных системах обработки данных ДЗЗ. Выбор и оценка эффективности спектральных методов классификации не является предметом настоящей работы.

Формирование масок антропогенных территорий осуществляется на основе пространственных признаков фрагментов изображения [2]. В предыдущих работах авторов эффективность использования различных признаков была исследована на примере классификации обучающих выборок фрагментов с применением одномерных критериев компактности классов [3].

На втором этапе посредствам обработки скользящим окном выполняется сглаживание результатов классификации, с использованием процедуры выбора наиболее часто встречающегося класса. При этом размер окна для природных и антропогенных зон выбирается различным.

Сегментация изображений на основе комплексного анализа спектральных, текстурных и структурных признаков. Выполнение сегментации с применением предложенного метода продемонстрировано на примере обработки многоспекрального изображения спутника WorldView 2. Исходное изображение представлено на рис.1, а.

а б

Рис. 1

На первом этапе обработки выполняется классификация методом максимального правдоподобия по зонам (ROI - регионам интереса), выбранным предварительно оператором. Результат обработки представлен на рис.1,б. Недостатком полученной классификации является чрезмерная ее детализация на естественных ландшафтах. Целью сегментации является выделение определенных типов поверхности, таких как лес (сосновый, лиственный, смешанный), поле, обработанная почва, водная поверхность и т.п. Однако, в связи с избыточностью пространственного разрешения снимка, в данном случае указанные зоны не разделяются. Видны отдельные деревья, кусты, их тени и т.п. Для устранения этой проблемы в современных пакетах обработки данных ДЗЗ предусмотрены процедуры пост классификации. На рис.2 приведен результат применения процедуры выбора наиболее часто встречающегося класса.

Рис. 2

Данная процедура позволяет устранить нежелательный «шум спектральной классификации» на естественных зонах изображения. Однако при этом в

антропогенных зонах она приводит к искажению картины. В естественных и антропогенных зонах при классификации изображений возникают различные требования к ее масштабу. Исходя из этого, предлагается с использованием структурных признаков разделить данное изображение на естественные и антропогенные зоны, и процедуру пост классификации осуществлять в каждой из них с различным размером окна анализа.

Пространственное распределение структурного признака Р определялось

путем расчета скользящим окном среднего значения функции отклика «угол» Харриса [4],

Р (X у) = { Я( х, у)).

где

Я = ёе М - 0 / 04(1;гасеМ )2,

а

М =

Е

сі_

Сх

Е

V сх У

dI

V dx у

Е

ґ С1Л

! V сх у

Е

dI

dx с

ксу У

Су

У

ґсіл 2

Маска Р(х,у) для антропогенных зон изображения формировалась путем пороговой обработки полученного массива значений:

І2

и

Р( X, у) =

1, если Г (х, у) >{Г (х, у)] + 2 * а 0, иначе.

Здесь (*) - означает усреднение значений массива Г (х, у), а а - их среднеквадратичное отклонение.

На рис.3 приведены раздельно результаты предложенной обработки для антропогенных зон (рис.3,а) и для природных ландшафтов (рис.3,б). На рис.4 представлен окончательный результат сегментации исходного изображения с учетом его спектральных, текстурных и структурных характеристик.

Рис. 3

Полученное изображение (картосхема) сглажено в природной зоне и в то же время с максимально возможной точностью передает классовый состав антропогенных территорий.

Рис. 4

Заключение. Предложен метод сегментации спутниковых изображений высокого пространственного разрешения, сочетающий обработку спектральных, текстурных и структурных признаков. На первом этапе производится классификация исходных изображений по спектральным признакам и формирование пространственных масок для антропогенных зон по характеристикам локальной структуры, а на втором - скользящим окном выполняется процедура

выбора наиболее часто встречающегося класса (текстурная обработка). При этом размер окна для природных и антропогенных зон выбирается разным. Показано, что применение предложенного метода позволяет избежать излишней детализации классифицированных изображений на естественных ландшафтах и обеспечить необходимую точность в антропогенных зонах.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Thomas M. Lillesand, Raiph W. Kiefer, Jonathan W. Chipman, Remote Sensing and Image Interpretation. - 2004. - John Wiley & Song, Inc. - 763 P

2. Борзов С.М., Нежевенко Е.С., Потатуркин О.И. Поиск объектов неприродного происхождения с использованием их структурных особенностей // Автометрия. - 2010. - №5. -С. 36-42.

3. Борзов С.М., Потатуркин А.О. Исследование эффективности пространственных признаков при классификации спутниковых изображений различного масштаба // Вестник НГУ. Серия: Информационные технологии. - 2012. - № 3. - С. 58-65.

4. Harris С. and Stephens М. A Combined Corner and Edge Detector // Proceedings of The Fourth Alvey Vision Conference. - 1988. - Manchester. - Pp 147-151.

© С.М. Борзов, А.О. Потатуркин, 2013