Содержание к диссертации
Введение
1 . Задачи и средства мониторинга городской среды 11
1.1 Задачи мониторинга городских территорий 11
1.2 Съёмочные системы, используемые для городского мониторинга 16
1.2.1 Космические съёмочные системы 16
1.2.2 Аэросъёмочные аппараты 17
І.З Спектральные свойства природных образований 18
1.4 Обзор методов обработки аэро- и космических снимков 20
1.4.1Виды искажений, возникающие при дистанционном зондировании 20
1.4.2 Радиометрическая коррекция 21
1.4.3 Атмосферная коррекция 22
1.4.4 Геометрическая коррекция 22
1.4.5 Фильтрация изображений 24
1.4.6 Индексные изображения 25
1.4.7 Метод главных компонент 28
1.4.8 Распознавание образов, дешифрирование снимков 29
1.4.9 Методы выявления изменений (Change Detection) 34
2. Разработка методики мониторинга городских территорий 41
2.1 Разработка технологической схемы мониторинга городских территорий 41
2.2 Разработка методики выявления изменений по классифицированным разновременным изображениям с использованием контуров объектов застройки 42
2.3 Разработка методики выявления изменений по ЦМП 55
2.4 Создание цифровых моделей рельефа и цифровых моделей поверхности 56
2.4.1 Получение данных о рельефе 56
2.4.2 Определение необходимой детальности цифровой модели поверхности 60
2.4.3 Идентификация соответственных точек 62
2.4.4 Фильтрация ошибок ЦМП 67
2.5 Разработка методики определения высот зданий по ЦМП 68
3 Экспериментальные работы 72
3.1 Исследование методов Change Detection для выявления изменений по разновременным космическим снимкам городской территории 72
3.2 Исследование метода Хафа для получения контуров объектов городской застроенной территории 75
3.3 Использование цифровых моделей поверхности для выявления изменений, произошедших на застроенной территории 76
3.4 Автоматизированное определение высот наземных объектов с использованием ЦМР и ЦМП 82
3.5 Использование градиентной фильтрации для повышения эффективности классификации снимков 93
3.6 Использование преобразования Фурье для генерализации контура растительности 99
3.7 Исследование оползневой зоны города Барнаула 100
Заключение 103
Список использованных источников 104
- Задачи мониторинга городских территорий
- Разработка методики выявления изменений по классифицированным разновременным изображениям с использованием контуров объектов застройки
- Использование цифровых моделей поверхности для выявления изменений, произошедших на застроенной территории
- Исследование оползневой зоны города Барнаула
Введение к работе
Актуальность темы исследования. Одной из особенностей развития современной цивилизации является быстрый рост городов, особенно это характерно для крупных региональных центров и мегаполисов, таких как Москва, Санкт-Петербург, Новосибирск и т. д.
Рост городских территорий требует совершенствования систем управления. Для осуществления эффективного управления современным городом необходимо своевременное получение данных, что обеспечивается ведением мониторинга. Одним из основных требований, предъявляемых к мониторингу, является оперативность получения информации. Наибольшая оперативность городского мониторинга достигается при использовании данных дистанционного зондирования, они позволяют получать актуальную информацию сразу обо всей территории города.
Всё чаще для целей мониторинга и обновления картографических материалов используются космические снимки высокого и сверхвысокого разрешения. Это обусловлено следующим:
космические снимки сверхвысокого разрешения позволяют получать информацию, соответствующую по точности картографическим материалам вплоть до масштаба 1 : 2 000;
космические съёмочные системы обладают высокой периодичностью получения данных;
относительно низкая стоимость и высокие информативные свойства космических снимков высокого и сверхвысокого разрешения, причём наблюдается тенденция к постоянному удешевлению и увеличению пространственного разрешения космических снимков.
По уровню оперативности городской мониторинг можно разделить на оперативный мониторинг чрезвычайных ситуаций и плановый мониторинг.
Чрезвычайные ситуации вызывают разрушение транспортной и телекоммуникационной инфраструктуры, что часто парализует органы управления города. Данные дистанционного зондирования обеспечивают оперативное полу-
чение информации о масштабах явления, что позволяет выполнять планирование своевременных адекватных действий.
При ведении планового мониторинга осуществляется систематическое наблюдение за исследуемой территорией.
Наиболее важным при ведении мониторинга является выявление изменений и анализ причин их возникновения. Самыми распространёнными изменениями городской среды, выявляемыми по данным дистанционного зондирования, являются снос и возведение зданий, изменения площади зелёных насаждений, строительство или расширение дорог и т. д.
В ряде случаев наблюдается незаконное строительство, информация о котором не вносится в планы административных округов и управ. Космические снимки позволяют своевременно выявлять нарушения в существующей застройке, а также контролировать ход выполнения нового строительства. Примером в настоящее время может служить космический мониторинг стройки олимпийских объектов в городе Сочи.
Городская среда характеризуется тем, что включает в себя объекты различной сложности, поэтому для правильной интерпретации данных необходимы хорошо работающие методики, использующие различные алгоритмы.
Из-за близости значений спектральных яркостей различных типов объектов дешифрирование элементов городской застройки является сложной задачей. Поэтому существует необходимость в методиках, использующих, наряду с яркостными признаками, другие, дополнительные признаки, в качестве которых могут выступать структурные особенности объектов и пространственные геометрические характеристики городской среды. В связи с этим возникает задача разработки методик, использующих структурные и пространственные признаки для мониторинга городских территорий.
Степень разработанности проблемы. Решению задач автоматизированного дешифрирования аэро- и космических снимков посвящено большое количество научных работ российских ученых (Журкин И.Г., Гук А.П., Пяткин В.П., Кашкин В.Б. и др.) и зарубежных (Гонсалес Р., Вудс Р., Прэтт У., Дейвис Ш.М.,
Шовенгердт Р.А., Рис У.Г., Чандра A.M. и др.). Большой вклад в мониторинг городских территорий по космическим снимкам внесли Серебряков СВ., Кобзева Е.А., Алябьев А.А. и др. В настоящее время разработано большое количество методик для мониторинга, основанных на визуальном дешифрировании, однако визуальные методы требуют больших трудовых затрат и высокой квалификации исполнителя. Поэтому ведутся активные работы по автоматизации мониторинга, выполняемого по космическим снимкам. Эти методики находятся на первоначальном этапе развития и не всегда обеспечивают приемлемый результат.
В рамках диссертационной работы для решения задач мониторинга городской среды были разработаны и исследованы методики автоматизированного дешифрирования аэро- и космических снимков, основанные на использовании как яркостных, так и пространственных и геометрических особенностей объектов городской среды.
Цель и задачи исследования. Целью диссертации является разработка методики автоматизированного мониторинга городской среды по аэро- и многозональным космическим снимкам высокого и сверхвысокого разрешения на основе комплексных алгоритмов, использующих данные дистанционного зондирования.
Для достижения этой цели необходимо решить следующие задачи:
- выполнить анализ особенностей мониторинга городской среды на основе
данных дистанционного зондирования и исследовать различные подходы к вы
явлению изменений на космических снимках;
-разработать методику комплексного автоматизированного дешифрирования космических снимков для оперативного мониторинга городской среды, использующую яркостные, структурные и геометрические признаки;
- разработать комплексную методику дешифрирования и выявления изме
нений, произошедших на застроенной территории, по аэро- и космическим
снимкам с использованием цифровых моделей поверхности.
Объект и предмет исследования. Объектом исследования является технология использования аэро- и многозональных космических снимков высокого разрешения для мониторинга застроенных территорий, а предметом - алгоритмы автоматизированного дешифрирования аэро- и многозональных космических снимков и выявление по ним изменений.
Методологическая, теоретическая и эмпирическая база исследований. В работе использованы методы цифровой обработки изображений, аналитической и цифровой фотограмметрии. Для разработки и исследования методик автоматизированного дешифрирования и выявления изменений использовались космические снимки QuickBird и IKONOS, а также аэроснимки, полученные аэрофотокамерой RC 30 и сканирующей камерой ADS 40. Обработка выполнялась в программных продуктах PhotoMod 4.1, PhotoMod 5, ENVI 4.6.1 и Surfer 8, кроме того, использовались разработанные автором программы, реализованные на языках программирования Delphi 7 и MATLAB.
Основные научные положения диссертации, выносимые на защиту:
-методика выполнения мониторинга городских территорий на основе комплексного дешифрирования аэро- и многозональных космических снимков высокого и сверхвысокого разрешения;
- методика повышения эффективности автоматизированного дешифрирования космических снимков с использованием информации о границах объектов;
-методика выявления изменений по цифровым моделям поверхности и рельефа, полученным по разновременным аэрокосмическим снимкам.
Научная новизна результатов исследования. Научная новизна диссертации заключается в том, что в результате исследований была разработана методика комплексного использования яркостных, пространственных и геометрических признаков для автоматизированного дешифрирования аэро- и космических снимков.
Разработана методика получения и использования цифровых моделей поверхности для определения высот зданий и выявления изменений, произошедших на застроенной территории.
Научная и практическая значимость работы. Практическая ценность работы состоит в том, что разработанную методику комплексного использования яркостных, пространственных и геометрических признаков для дешифрирования аэро- и космических снимков можно применять для определённых классов объектов застроенных территорий (растительность, здания и сооружения с определением этажности, проезжие части улиц и т. д.) в автоматизированном режиме, что позволяет вести оперативный мониторинг.
Соответствие диссертации паспорту научной специальности. Диссертация соответствует паспорту научной специальности 25.00.34 - «Аэрокосмические исследования Земли, фотограмметрия», разработанному экспертным советом ВАК Минобрнауки РФ, по соответствующим позициям:
№ 4 - «Теория и технология дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследований»;
№ 5 - «Теория и технология получения количественных характеристик динамики природных и техногенных процессов с целью их прогноза».
Апробация и реализация результатов исследования. Результаты исследований были доложены и одобрены на конференциях: международной научно-практической конференции «Индустриально-инновационное развитие на современном этапе: состояние и перспективы», 10-11 декабря 2009 г., г. Павлодар; VI Международном научном конгрессе «ГЕО-Сибирь-2010», 19-23 апреля 2010 г., г. Новосибирск; VII Международном научном конгрессе «ГЕО-Сибирь-2011», 27-29 апреля 2011 г., г. Новосибирск.
Основные результаты диссертационной работы внедрены в учебный процесс СГГА и используются при изучении специальных дисциплин студентами специальностей «Аэрофотогеодезия» и «Исследование природных ресурсов аэрокосмическими средствами», а также студентами направления «Геодезия и дистанционное зондирование» профиля «Аэрокосмические съемки, фотограмметрия».
Публикации по теме диссертации. Основное содержание работы опубликовано в 10 статьях, из них 3 статьи - в изданиях, входящих в Перечень рекомендуемых ВАК Минобрнауки РФ.
Структура диссертации. Общий объем диссертации составляет 132 страницы. Диссертация состоит из введения, заключения, трех разделов, включает 1 таблицу, 54 рисунка, 10 приложений и список, содержащий 109 наименований использованных источников.
Задачи мониторинга городских территорий
Под мониторингом понимается процесс систематических наблюдений, оценки и прогноза изменений исследуемого объекта.
По величине охвата территорий различают: локальный, региональный и глобальный мониторинг. Мониторинг городских территорий происходит на региональном и локальном уровне [15, 66].
В настоящее время различные авторы выделяют несколько видов городского мониторинга - это мониторинг экологической обстановки, архитектурный мониторинг и мониторинг земель. Эти виды мониторинга взаимосвязаны и часто проходят одновременно.
Под архитектурным мониторингом городской среды понимается система наблюдений, комплексного архитектурно-градостроительного анализа и оценки существующего состояния в архитектуре для создания прогноза любых изменений в архитектурной среде города. Архитектурный мониторинг является необходимой теоретической базой при проектировании силуэта города. В основе архитектурного мониторинга лежит визуальное исследование и анализ облика города, его отличительных архитектурных и ландшафтных особенностей.
Экологический мониторинг города - это система наблюдений, оценки и прогноза антропогенных изменений окружающей среды.
При экологическом мониторинге контролируются следующие компоненты среды: атмосферный воздух, атмосферные осадки, поверхностные и грунтовые воды, почва, живая природа. Для экологического мониторинга, кроме наземных средств, в последнее время активно используются данные дистанционного зондирования (ДДЗ). При помощи космических снимков выявляются площади нефтяных разливов, обезлесивание и опустынивание территорий, высыхание водоёмов, таяние ледников, облака смога над городами и т. д.
Мониторинг земель может включать в себя элементы экологического и архитектурного мониторинга. Земля является наиболее важным ресурсом для развития современного города. Государственный мониторинг земель представляет собой систему наблюдений за состоянием земель, его задачи определены ст. 67 Земельного кодекса Российской Федерации:
- своевременное выявление изменений состояния земель, оценка этих изменений, прогноз и выработка рекомендаций о предупреждении и об устранении последствий негативных процессов;
- информационное обеспечение ведения государственного земельного кадастра, государственного земельного контроля над использованием и охраной земель, иных функций государственного и муниципального управления земельными ресурсами, а также землеустройства;
- обеспечение граждан информацией о состоянии окружающей среды в части состояния земель [30].
Наиболее активно городской мониторинг ведётся в городе Москве. Земельным департаментом города Москвы данные дистанционного зондирования используются с 2003 года. При мониторинге земель выполняется деление земель по их функциональному значению (жилые, промышленные зоны), исследуется дорожная сеть, геологическая среда, геодинамические процессы, карсто-во-суффозионные процессы, подверженность паводкам, уровень химического загрязнения, определяется кадастровая стоимость земли, изменение топографической ситуации, выполняется проверка освоения земель.
Информация, получаемая в результате ведения мониторинга земель, используется в процессе государственного управления земельными ресурсами и планирования развития городских территорий (планирование застройки, дорожно-транспортной сети, парков и т.д.).
Согласно градостроительному кодексу РФ, основным документом городского территориального планирования является генеральный план [22]. Основные требования к разработке генерального плана города заключаются в максимальной актуальности картографических данных, минимизации сроков выполнения работ, качестве и глубине проработки проекта [32].
В соответствии с СНиП 11-04-2003, графические материалы генерального плана города с проектной численностью населения 500 тыс. человек и более выполняются в масштабах 1:25 000-1:10 000; города с проектной численностью населения 100 - 500 тыс. человек - в масштабах 1:10 000 - 1:5 000; города, другого поселения с проектной численностью населения от 10 тыс. до 100 тыс. человек - в масштабе 1:5 000; города, другого поселения с расчетной численностью населения менее 10 тыс. человек - в масштабе 1:2 000 [32].
Использование только топографической основы (планов внутрихозяйственного землеустройства) для формирования генерального плана города не целесообразно, так как планшеты быстро устаревают, а их обновление традиционными наземными методами требует значительных финансовых затрат. Поэтому в последнее время для обновления картографических материалов на территории городов наряду с аэрофотосъёмкой всё чаще используют материалы, полученные с космических съёмочных систем высокого и сверхвысокого разрешения [18, 19, 32, 106, 107, 72, 73]. Существуют примеры использования космических снимков сверхвысокого разрешения для создания картографических материалов масштабов 1:5000 и даже 1:2000 [11, 31, 36]. Учитывая более низкие цены за единицу площади по сравнению с традиционными картографическими материалами, высокие информативные свойства и периодичность космических снимков высокого и сверхвысокого разрешения, эти снимки являются наиболее пригодными для ведения мониторинга городских территорий [7, 13]. Использование разновременных космических снимков позволяет выявлять изменения, происходящие на местности. Как известно, все изменения объектов городского хозяйства включаются в планы административных округов и управ, получают обоснование и отражение на планах и картах, поэтому мониторинг должен вестись с учетом материалов перспективного развития городского хозяйства [38]. Использование разновременных космических снимков сверхвысо кого разрешения позволяет фиксировать все нарушения планового освоения территории города как в смысле отставания развития (примеры долгостроя, или «виртуального строительства»), так и в отношении несанкционированных и неконтролируемых действий (например, застройка рекреационных зон, водоохранной зоны, снос памятников архитектуры и т.д.) [48].
Одной из важных задач городского мониторинга является наблюдение за состоянием и площадью растительного покрова. От площади городских лесов зависит комфортность населения и общая экологическая обстановка. Обезлеси-вание является одной из основных проблем крупных городов. Основной причиной обезлесивания является интенсивная застройка. Также состояние зелёных насаждений в городе зависит и от многих других факторов, от состава почв, воздуха, наличия достаточного количества воды и ее качества, общей антропогенной нагрузки и т.д. При выполнении мониторинга выполняется зонирование территорий под зелеными насаждениями по степени их ослабленности и нарушенное [45, 46, 103, 97].
Ещё одним из важнейших направлений при ведении городского мониторинга с использованием космических съёмочных систем является мониторинг чрезвычайных ситуаций (ЧС). Для сибирских городов наиболее распространённой ЧС являются весенне-летние паводки [27].
На разлив рек в весенне-летний период первостепенное влияние оказывает таяние льда и снега, а также появление ледовых заторов и торосов. При затоплении поймы часто подвергаются подтоплению населённые пункты и хозяйственные объекты, что наносит ощутимый экономический ущерб.
Ранее для целей мониторинга ледовых процессов на реках кроме стандартных наблюдений на сети гидрологических постов использовались материалы ледовых авиаразведок. Однако авиаразведки крупных площадей - дорогое мероприятие. По этой причине в настоящее время за реками, имеющими склонность к ежегодным разливам, ведётся мониторинг с космических съёмочных систем [47, 55, 42]. Кроме наводнений, существуют и другие требующие наблюдения и контроля систематически возникающие в городах негативные явления. К таким явлениям можно отнести геодинамические и карстово-суффозионные процессы (овраги, оползни, суффозионные воронки и т.д.). Оползневые явления распространены, например, в городе Барнауле Алтайского края (они были исследованы по космическим снимкам при выполнении диссертационной работы).
Разработка методики выявления изменений по классифицированным разновременным изображениям с использованием контуров объектов застройки
Как уже было отмечено, одной из главных характеристик объектов городской территории, которые отображаются на снимках, является форма и хорошая читаемость контуров. Однако при выявлении подобных объектов по яркостным признакам возникает проблема неразделимости классов, вызванная близостью значений яркости различных объектов, строящихся из материалов со схожими спектральными признаками (дороги, крыши домов, автостоянки и т.д.). По результатам классификации на основе спектральных признаков, как правило, практически невозможно отделить здания от дорог и открытого грунта. Для повышения достоверности автоматизированного дешифрирования объектов городских территорий в диссертационной работе предлагается использовать при дешифрировании данные о контурах объектов, полученные в результате градиентной фильтрации.
При фильтрации выделяются контуры дорог, зданий, ограждений, автомобилей, растительности и т.д. Древесная и кустарниковая растительность представляет собой сеть хаотично направленных контуров, которые мешают восприятию объектов застройки.
Для удаления растительности используется маскирование по выбранному значению нормализованного индекса вегетации NDVI. В результате получаем контуры объектов застроенных городских территорий (здания и сооружения, проезжие части и т.д.).
Для внесения информации о контурах в многоканальный снимок изображение контурной части зданий, полученное на предыдущем этапе, обрабатывается с использованием пороговой сегментации, инвертируется и домножается на один из каналов, либо на все каналы снимка сразу.
Далее выполняется классификация многоспектрального снимка, в котором добавлена контурная часть. На снимках сверхвысокого разрешения отображается слишком много деталей, из-за чего наблюдается большое среднее квадратичное отклонение значения яркости внутри класса. Принимая во внимание то, что значения яркости пикселов класса в обучающей выборке усредняются, разброс яркостей в классе приводит к неверной классификации. Для уменьшения среднего квадратического отклонения яркостей в классах необходимо применять низкочастотную фильтрацию. Для разделения объектов застройки при классификации в обучающую выборку необходимо включить контуры как отдельный класс. Классифицированное изображение векторизуется. Полученный векторный слой разделяется по площади. Классифицированные с использованием контуров снимки используются для выявления изменений, произошедших на застроенной территории.
Блок-схема методики автоматизированной классификации с использованием градиентных фильтров изображена на рисунке 6.
В предложенной методике используется градиентный фильтр Собеля. В результате фильтрации этим фильтром получаются контуры с разным значением яркости. Для получения бинарного изображения контура необходимо выполнить пороговую сегментацию изображения.
Пороговая обработка позволяет разделить изображение на объекты и фон. При пороговой обработке выбирается значение порога Т, а пикселы со значением яркости f(x, у) Т являются пикселами объекта, в обратном случае -пикселами фона. Порог Т выбирается при визуальном изучении гистограммы, либо автоматически с применением итеративного алгоритма, состоящего из 4 этапов. На первом этапе алгоритма выбирается значение порога Т (как правило, среднее значение яркостей пикселов изображения). На втором этапе производится сегментация изображения, в результате чего пикселы изображения делятся на две группы; f(x, у) Т и Г(х, у) Т. Затем по получившимся областям вычисляются значения ji1 и jx2 - средних яркостей пикселов. По формуле (19) определяем новое значение порога;
Шаги с 2 по 4 повторяются до тех пор, пока разность значений Т из соседних итераций не будет равно заранее заданному порогу [17]. Ещё одним распространённым методом пороговой обработки изображений является метод наращивания областей, он заключается в выборе начального пиксела и проверки близости значений яркости соседних пикселов к его яркости. В качестве параметра близости чаще всего используется величина отклонения от среднего значения яркости и величина разности между соседними пикселами, используя либо 4-связность, либо 8-связность. После завершения формирования областей они проверяются на однородность. При отрицательном результате область разбивается на более мелкие фрагменты. Процесс повторяется до тех пор, пока область не будет достаточно однородной [17].
При сравнении результатов пороговой обработки и метода наращивания областей выбор был сделан в пользу пороговой обработки.
Затем были выполнены исследования фильтра Кенни, включающего в себя несколько этапов, одним из которых является пороговая сегментация. Этот алгоритм разработан в 1986 году доктором Массачусетского университета Джоном Кенни и выполняется за 5 этапов. На первом этапе выполняется сглаживание. Изображения, как правило, содержат некоторое количество шумов. Для устранения шумов присутствующих на изображении, применяется фильтр Гаусса
На следующем этапе выполняется утонынение контура, полученного на предыдущем этапе. Цель этого шага состоит в том, чтобы преобразовать нечёткие, размытые контуры в хорошо различимые линии, толщиной в 1 пиксел. Для каждого пиксела изображения выполняются следующие операции.
Угол направления границы округляется до одного из четырех зглов, представляющих вертикаль, горизонталь и две диагонали (0, 45, 90 и 135).
Затем идет проверка, достигает ли величина градиента локального максимума в соответствующем направлении, то есть:
- если угол направления градиента равен нулю, точка будет считаться контуром, если её интенсивность больше, чем у точки выше и ниже рассматриваемой точки;
- если угол направления градиента равен 90, точка будет считаться контуром, в том случае если её интенсивность больше, чем у точки слева и справа;
- если угол направления градиента равен 135 градусам, точка будет считаться контуром, если её интенсивность больше, чем у точек, находящихся в верхнем левом и нижнем правом углу от рассматриваемой точки;
- если угол направления градиента равен 45 градусам, точка будет считаться контуром, если её интенсивность больше, чем у точек находящихся в верхнем правом и нижнем левом углу от рассматриваемой точки.
Все остальные пикселы будут иметь яркость, равную 0. Пример, демонстрирующий работу алгоритма, показан на рисунке 8. Почти все пикселы име ют направление градиента 90. Пикселы, которые имеют максимальный градиент, имеют белые границы. Все другие пикселы будут подавлены.
Таким образом, в результате данного шага получаем изображение, содержащее контуры толщиной в один пиксел.
Четвёртым этапом алгоритма является двойная пороговая обработка изображения. Пикселы, остающиеся после предыдущего этапа, образуют не только контуры объектов, но и шумы. Полученное изображение подвергается пороговой обработке, в результате которой выделяется два пороговых уровня - с большим значением яркости и с малым значением яркости.
Использование цифровых моделей поверхности для выявления изменений, произошедших на застроенной территории
Для экспериментальных работ были использованы следуюшие материалы: -стереопара аэрофотоснимков масштаба 1:12 000, полученных аэрофотокамерой КС 30 на территорию города Красноярск.
При выполнении экспериментальных работ были использованы следуюшие программные продукты;
- PHOTOMOD 4.1, PHOTOMOD 5 - для построения цифровых моделей рельефа, цифровых моделей поверхности и ортофотопланов;
- ENVI4.6.1 - для выполнения вычитания цифровых моделей поверхности;
- Surfer 8 - для фильтрации цифровых моделей поверхности.
Целью эксперимента является проверка возможности использования разновременных моделей поверхности для выявления изменений. Для этого необходимо построить две ЦМП на разные даты и вычесть одну из другой.
В эксперименте была использована стереопара аэрофотоснимков на городскую территорию. На территории, изображённой на стереопаре, имеются как одноэтажные здания частного сектора, так и типовая многоэтажная застройка. На рисунке 25 изображена использованная стереопара аэрофотоснимков.
На первом этапе производилась обработка снимков в программном комплексе PHOTOMOD. Целью обработки было создание цифровой модели поверхности (ЦМП). Основным видом модели рельефа в программном комплексе PHOTOMOD является нерегулярная пространственная сеть треугольников IN (Triangulated IrregularNetwork). Модель рельефа также может быть создана в виде произвольного набора трёхмерных точек -- пикетов. TIN может быть конвертирован в регулярную модель рельефа - матрицу высот. Перед построением модели рельефа следует выбрать прямоугольную область, в пределах которой она будет создаваться. Затем задать шаг сетки - частоту нанесения узлов, в которых будут рассчитываться значения Z [56, 57].
Для постройки достаточно подробной цифровой модели поверхности нужно создать регулярный TIN с шагом, гарантирующим попадание нескольких узлов TIN даже на небольшие строения. Шаг был выбран 4 метра. Фрагмент ЦМП, состояшей из 280 000 точек, представлен на рисунке 26.
При сравнении полученной модели е исходными снимками видно, что на модели отражены даже небольшие строения частного сектора и вагоны, етоящие на железнодорожных путях. Средняя квадратическая ошибка построения ЦМП составила 1,1м. Максимальная ошибка после отбраковки 2000 точек (т. е. менее 1 % от общего числа) составила 2,2 м. Большинство отбракованных точек располагалось на тенях вблизи крупных етроений и деревьях.
Оеновными видами изменений застроенной территории является снос и строительство зданий. Пример таких изменений показан на рисунке 27. Как видно из рисунка, было снесено крупное здание и на его месте возникло три объекта, также появилось одно небольшое строение, изображённое в центральной части рисунка 27.
Для дальнейшей обработки все полученные модели были сохранены в формате GEOTIFF. при постройке цифровых моделей поверхности на крышах зданий даже после отбраковки остаются экстремумы (локальные выбросы) высот, вследствие ошибочной идентификации соответственных точек. На рисунке 29 представлена ЦМП, визуализированная в программе surfer. Здесь видно, что объекты ЦМП не однородны и представляют собой поверхность с локальными пиками высот. Эти шумы не исключаются автоматической отбраковкой пикетов в программном комплексе PHOTOMOD и вызывают при вычитании разновременных ЦМП ошибки, которые выглядят как мелкие изменения.
Для сглаживания ЦМП применялись различные фильтры. Результат оценивался по тестовому объекту, которым являлась плоская крыша здания. После применения различных сглаживающих фильтров по величине среднего квадра-тического отклонения значений высот на крыше и значению градиента на границах тестируемого объекла (плоская крыша), определялась эффективность того или иного фильтра. На рисунке 30(a) показан результат использования низ кочастотиого фильтра-маски размером 3 3 (значение среднего квадратическо-го отклонения 1,45, градиент равен 18).
Наилучший результат был получен при использовании медианной фильграции (среднее квадратическое отклонение равно 1,1, градиент - 16) (приложение Е). Как видно на рисунке 30(6), шумы устранены, при этом границы объектов остались достаточно чёткими.
На втором этапе эксперимента производился поиск изменений по разновременным моделям поверхности в программном комплексе NVI4.6.1. Поиск изменений производился простым вычитанием значений высот соответственных элСментов двух матриц. Результат представлен на рисунке 31.
Как видно, все произошедшие изменения были обнаружены. При использовании цифровых моделей поверхности необходимо выполнять следующие рекомендации:
- необходимо выбирать шаг набора высотных отметок такой, чтобы даже на небольшие строения приходилось несколько измерений;
- построенная ЦМП имеет шумы, которые необходимо подавить, используя медианную фильтрацию.
Исследование оползневой зоны города Барнаула
Также при анализе методов выявления изменений была исследована оползневая зона города Барнаула.
Для исследования оползневой зоны города Барнаула были использованы снимки QuickBird 2002 г., IKONOS 2008 г., 2010 г. Обработка выполнялась в программном комплексе EN VI 4.6.1.
На первоначальном этапе выполнялось трансформирование снимков IKONOS по 20 опорным точкам, координаты которых были взяты со снимка QuickBird. Контроль точности осуществлялся по 19 контрольным точкам (приложение И). Средние квадратические ошибки можно видеть в таблице 1.
Границы растительности определялись при помощи маски, построенной по индексированному изображению. Затем выполнялась векторизация бинарного изображения маски. На последнем этапе производилось совмещение векторных слоёв на снимке QuickBird (рисунок 54).
На протяжении всей оползневой зоны, отображенной на снимках, наблюдаются значительные изменения оползневого склона, вызванные как образованием новых оползней, так и зарастанием старых. Стоит заметить, что часть оголённых склонов, зафиксированных на снимке QuickBird 2002 года, к 2010 году покрылось растительностью. Кроме того, векторные слои, полученные по использованным разновременным снимкам, совмещались с картой 1996 года (приложение К). В результате был обнаружен участок, где максимальное смещение бровки срыва оползня с 1996 по 2002 годы достигло 30 метров. При этом в последующие 2008, 2010 годы наблюдалось зарастание этого оползневого склона (приложение Л).
Похожие диссертации на Разработка методики автоматизированной обработки аэро и космических снимков для мониторинга городских территорий
