Содержание к диссертации
Введение
1 Обзор существующих методов и средств мониторинга лесных массивов 11
1.1 Современные технологии мониторинга леса и мониторинга территорий 11
1.2 Обзор современных спутниковых данных, используемых при мониторинге леса 13
1.3 Спектральные свойства растений 15
1.4 Факторы, влияющие на яркость изображений объектов местности 18
1.5 Предварительная обработка космических снимков 20
1.6 Методы выявления изменений при мониторинге территорий 28
2 Разработка методики выявления изменений на основе структурных признаков изображений объектов 41
2.1 Теоретические основы Фурье-анализа изображений 41
2.2 Теоретические основы вейвлет-анализа изображений 44
2.3 Разработка методики локализации изменений в лесных массивах по космическим снимкам высокого и среднего разрешения 51
2.4 Разработка методики выявления изменений в лесных массивах по разновременным космическим снимкам высокого и среднего разрешения 53
3 Экспериментальные исследования 56
3.1 Исходные данные 56
3.2 Исследование методики локализации изменений в лесных массивах по аэрокосмическим снимкам 59
3.3 Обоснование выбора вейвлет-функции для выявления изменений по разновременным космическим снимкам на основе вейвлет-анализа 65
3.4 Исследование методики выявления изменений по разно временным космическим снимкам на основе вейвлет-анализа 70
3.5 Исследование технологической схемы выявления изменений по разновременным космическим снимкам для мониторинга лесных массивов с использованием вейвлет-анализа 72
3.6 Исследование эффективности методики выявления изменений, в лесных массивах, основанной на вейвлет-анализе 76
Заключение 87
Список использованных источников 88
Приложение
- Обзор современных спутниковых данных, используемых при мониторинге леса
- Теоретические основы вейвлет-анализа изображений
- Исследование методики локализации изменений в лесных массивах по аэрокосмическим снимкам
- Исследование технологической схемы выявления изменений по разновременным космическим снимкам для мониторинга лесных массивов с использованием вейвлет-анализа
Введение к работе
Актуальность темы. Дистанционное зондирование позволяет осуществлять мониторинг и контроль за различными природными и антропогенными объектами.
Мониторинг леса играет важную роль в управлении лесами. Он позволяет решать следующие задачи: охрана лесов от пожаров; контроль за десопатоло-гическим состоянием лесов; наблюдения за территориями, загрязненными радионуклидами; оценка состояния лесных экосистем и лесного покрова; актуализация данных изученности лесов.
Одна из основных проблем лесоустройства - контроль незаконной рубки леса. В соответствии с лесным законодательством лесопользователям при заготовке древесины необходимо выполнять мероприятия по восстановлению ценных пород и защитных функций леса. Вырубка должна выполняться в соответствии с Правилами заготовки древесины (приказ МПР России от 16.07.2007 г. № 184) и Правилами санитарной безопасности в лесах (постановление Правительства Российской Федерации от 29.06.2007 г. №414). Но они нередко нарушаются. Таким образом, возникает острая проблема оперативного выявления незаконных рубок леса.
В России леса занимают огромную площадь (около 70 %), для обеспечения эффективного управления и контроля которой требуются большие материальные затраты. Решить эту проблему может использование данных дистанционного зондирования. В настоящее время состояние рынка данных дистанционного зондирования Земли позволяет получать снимки различного разрешения с высокой периодичностью (до двух раз в день), а также по стоимости данные уже доступны широкому кругу пользователей.
Как известно, на аэрокосмические данные влияет большое количество внешних факторов: атмосфера, сезонность, освещенность и др. Это воздействие в первую очередь отражается на значениях спектральных яркостей элементов изображения, а спектральная яркость элемента изображения - это основной признак, используемый для решения задач распознавания и выявления изменений. Эту проблему решают такими способами, как атмосферная коррекция, нормирование, создание индексных изображений. Но все эти процедуры требуют дополнительных затрат времени и измерений, которые должны происходить во время съемки.
Таким образом, помимо яркостных характеристик изображений объектов необходимо использовать дополнительные признаки, например, структурные признаки изображений объектов на аэрокосмических снимках.
В настоящее время существует большое количество различных методик и технологий выявления изменений по разновременным аэрокосмическим снимкам, но они, как правило, применимы для определенных данных, условий и изменений изображений объектов на снимках. Кроме того, реализация данных методик и технологий на производстве не автоматизирована и требует больших трудозатрат.
Таким образом, актуальной является разработка новых подходов к распознаванию изображений объектов местности и выявлению изменении по разновременным аэрокосмическим снимкам, которые бы эффективно использовали широкий ассортимент данных дистанционного зондирования, были бы автоматизированы и использовали в качестве признака изображения объекта на снимке более устойчивую, чем яркость, величину.
Намеченный в этой работе новый подход использования структурных признаков для выявления изменений по разновременным космическим снимкам при мониторинге лесных массивов и разработанная методика выявления изменений, основанная на вейвлет-преобразовании по космическим снимкам высокого и среднего разрешения для решения задач лесного хозяйства, отличаются от существующих тем, что используют структурные признаки изображения объектов на снимках и могут быть максимально автоматизированы.
Цель и задачи исследования
Целью диссертации является разработка методики использования вейвлет-преобразования для обработки космических снимков высокого и среднего разрешения при мониторинге лесных массивов, основанной на использовании структурных признаков изображений объектов.
Для достижения этой цели необходимо решить следующие задачи:
выполнить анализ современных методов выявления изменений по аэрокосмическим снимкам при мониторинге и выявить их недостатки;
разработать методику оперативного выявления изменений по разновременным космическим снимкам высокого и среднего разрешения, основанную на использовании структурных признаков изображений объектов, а именно на вейвлет-преобразовании, позволяющем локализовать структурные изменения на определенном масштабе;
на основе теоретических и практических исследований сделать выбор подходящей вейвлет-функции для анализа реальных снимков;
выполнить исследования разработанной методики по реальным космическим снимкам.
Теоретическая и методологическая база исследования. В работе ис-. пользованы методы цифровой обработки изображений, аналитической и цифровой фотограмметрии. Выявление изменений выполнялось с использованием вейвлет-анализа и корреляционной функции.
Информационная база исследования. Базой для выполнения работ являются выполненные ранее исследования в области цифровой обработки снимков. Исходным материалом для разработки методики являются космические снимки высокого и среднего разрешения.
Научная новизна. Научная новизна диссертации заключается в том, что намечен новый подход использования вейвлет-преобразования, позволяющий локализовать структурные изменения на определенном масштабе, и на основании которого разработала методика выявления изменений в лесных массивах по разновременным космическим снимкам высокого и среднего разрешения, которая отличается от существующих тем, что использует структурные признаки изображений объектов, не зависящие от влияния ряда внешних факторов,
изменяющих яркости изображений на многозональных снимках. Разработанная методика может быть полностью автоматической' в отличие от существующих и применяемых на практике.
Практическая значимость
Практическая ценность работы заключается в том, что предложенная методика была использована для выявления мест рубок по космическим снимкам.
Разработанные методики были использованы при выполнении научно-исследовательских работ по темам:
«Разработка методики и технологии использования ENVI для автоматизирования тематического дешифрирования», № 19/07ПЛ476-07;
«Разработка методологии аэрокосмического мониторинга природных и антропогенных объектов на региональном уровне». Номер государственной регистрации НИР: 01 2007.03297.
Основные результаты диссертационной работы внедрены в учебный процесс СГГА и используются при изучении специальных дисциплин студентами специальностей «Аэрофотогеодезия» и «Исследование природных ресурсов аэрокосмическими средствами».
Основные результаты исследования:
разработана методика выявления изменений по разновременным космическим снимкам высокого и среднего разрешения для мониторинга лесных массивов, которая основана на вейвлет-преобразовании и отличается от существующих тем, что использует структурные признаки изображений объектов;
намечен новый подход оперативного выявления изменений по разновременным космическим снимкам, основанный на использовании структурных признаков изображений объектов;
на основе теоретических и практических исследований сделан выбор подходящей вейвлет-функции, обеспечивающей локализацию изменений на изображениях лесных массивов;
разработана методика локализации изменений в лесных массивах по космическим снимкам высокого и среднего разрешения.
Апробация работы. Основные положения диссертационной работы докладывались, обсуждались и получили одобрение: на V Международном научном конгрессе «ГЕО-Сибирь-2009», 20-24 апреля 2009 г., г. Новосибирск; на международной научно-практической конференции «АГРОИНФО-2009», 14— 15 октября 2009 г., г. Новосибирск; на международной научно-практической конференции «Индустриально-инновационное развитие на современном этапе: состояние и перспективы», 10-11 декабря 2009 г., г. Павлодар; на VI Международном научном конгрессе «ГЕО-Сибирь-2010», 19-23 апреля 2010 г., г. Новосибирск.
Публикации. Основные результаты, полученные в диссертации, опубликованы в 10 научных работах, их них 3 статьи - в изданиях, входящих в Перечень рекомендуемых ВАК Минобрнауки РФ.
Структура и объем работы. Диссертация состоит из введения, трех разделов, заключения и списка использованных источников, содержащего 120 на-
именований, 7 приложений. Общий объем составляет 123 страницы печатного текста, 37 рисунков, 8 таблиц.
Обзор современных спутниковых данных, используемых при мониторинге леса
В настоящее время область использования данных дистанционного зондирования значительно расширяется. Это связано с ростом количества запускаемых спутников, увеличением разрешающей способности данных и доступностью (свободный доступ) архивных спутниковых снимков среднего и низкого разрешения.
При классификации космических снимков в соответствии со значением разрешающей способности выделяют следующие классы: 1. снимки сверхвысокого разрешения, разрешающая способность в панхроматическом канале меньше или равна 1 м (Ikonos, OrbView-3, KOMPSAT-2, Ресурс ДК, QuickBird, WorldView-1,2, Pleiades-HR 1,2, GeoEye-2, TerraSAR X, Cosmo-SkyMed 1-4); 2. снимки высокого разрешения, разрешающая способность в панхроматическом канале от 10 м и до 1 м (ALOS, SPOT-5, FORMOSAT-2, IRS-1C/1D, IRS-P5,P6, RADARSAT-1); 3. снимки среднего разрешения, разрешающая способность в панхроматическом канале от 10 до 30 м (LANDSAT-7, TERRA (ASTER), ЕО-1, SPOT-2,4, ENVISAT); 4. снимки низкого разрешения, разрешающая способность в панхроматическом канале больше 30 м (AQUA (Modis)).
Многие спутники обеспечивают возможность получения стереопары космических снимков, что необходимо для решения многих задач: построения ЦММ и ЦМР, 3D моделирования, ортотрансформирования и др.
Космические снимки можно получать на различных уровнях обработки, которые включают в себя следующие процессы: радиометрическую и геометрическую коррекцию, геопривязку, ортотрансформирование снимков. Уровни обработки спутниковых данных отличаются друг от друга различным соотношением перечисленных выше процессов и точностью их выполнения. Таким образом, в зависимости от поставленной задачи, потребитель может выбрать подходящий для себя уровень обработки данных.
Периодичность съемки — важный фактор выбора съемочной системы при мониторинге территорий (особенно при оперативном мониторинге). С развитием современных технологий стало возможным получать данные с определенных спутников ежедневно (FORMOSAT-2), но большинство информации передается с периодичностью от 1 до 5 дней. Этого вполне достаточно для проведения мониторинга городской и межселенной территорий [18 — 26].
В соответствии с «Методическими указаниями по проведению государственной инвентаризации лесов» (проект 2009 г.): «39. Для выявления и учета изменений состояния лесов, происходящих в результате негативных воздействий и использования лесов, используются многозональные космические снимки с пространственным разрешением не более 10 метров.
Допускается использование панхроматических снимков, а также данных радарной съемки в случае необходимости получения оперативной информации о негативных изменениях в состоянии лесов при их использовании в целях заготовки древесины, выполнения работ по геологическому изучению недр, разработки и эксплуатации месторождений полезных ископаемых, строительства и эксплуатации водохранилищ и иных искусственных водных объектов, а также гидротехнических сооружений и специализированных портов, строительства, реконструкции, эксплуатации линий электропередач, линий связи, дорог, трубопроводов и других линейных объектов». Данным требованиям соответствуют съемочные системы, представленные в приложении А.
В настоящее время на предприятия «Рослесинфорг» поставляются следующие данные [27]: TRS-1C/1D, Cartosat-1 (IRS-P5), Resourcesat-1 (IRS-P6), SPOT-2,4,5, Formosat-2, Landsat-7.
Соответственно все поставляемые на предприятия «Рослесинфорг» данные дистанционного зондирования, кроме Landsat-7, соответствуют приведенным выше требованиям. Но так как снимки, полученные со спутника Landsat-7, находятся в свободном доступе (Internet), они активно используются для решения многих задач, например, для предварительной оценки состояния лесов.
Помимо разрешающей способности космических снимков при мониторинге растительности важную роль играет диапазон электромагнитного спектра, в котором получено изображение, так как различное состояние и период развития растений по-разному отображаются в спектральных каналах. Эти свойства растительности будут рассмотрены в следующем разделе.
Теоретические основы вейвлет-анализа изображений
В отличие от Фурье-анализа, вейвлет-преобразование основано на функциях, которые локализованы по частоте и по времени, что обеспечивает возможность анализа результата как в частотном, так и в физическом пространстве, что важно при работе с неоднородным сигналом, таким, как, например, изображение поверхности Земли (аэрокосмические снимки). Дискретное вейвлет-преобразование функции изображения f{x,y) размером МхN выполняется в соответствии с формулами [33]: где y o - произвольный начальный масштаб, fV(p{jQ,m,n) — коэффициенты, определяющие приближение функции f{x, у) в масштабе J Q , WL\j,m,ri) — коэффициенты, определяющие горизонтальные, вертикальные и диагональные детали для масштабов j J Q , tyjr\,m,n\x y) масштабирующая функция, Обычно N = M = 2J\ так, что у = 0,1,2,...,./-1 и т,п = 0,1,2,...,2J -1. Вейвлет-функции — растянутые и сдвинутые копии вейвлета, вычисляют ся по формуле (35): Здесь т,п определяют положение функций в двумерном пространстве изображения, / - ширину функций, множитель 2 2 регулирует амплитуду функций. Для выполнения двумерного вейвлет-преобразования необходимо наличие двумерной масштабирующей функции Ф/„от п\х У) и ТРИ двумерные вейвлет-функции, которые соответствуют изменениям яркости на изображении в разных направлениях: вертикальном і// „г„{х,у), горизонтальном ц/"тп{х-У) и диагональном у/"тп{х у)- Двумерные масштабирующую и вейвлет-функции можно выразить через соответствующее произведение одномерных: ветственно одномерные масштабирующие и вейвлет-функции. Для вей влет-анализа сначала необходимо выбрать анализирующий вейвлет в зависимости от решаемой задачи. Выделяют ортогональные, полуортогональные и биортогональные вейв-леты, которые могут быть симметричными, несимметричными и асимметричными. Также обращают внимание на количество нулевых моментов, при которых на мелких масштабах вейвлет-коэффициенты будут равны или близки нулю (можно пренебречь) на участках, где функция гладкая, на размер (компактность) и гладкость вейвлет-функции. Небольшое число ненулевых значений коэффициентов разложения эффективнее решает задачу сжатия и фильтрации. Известно, что для того, чтобы выделить особенности (резкие изменения яркости элементов изображения), необходимо использовать вейвлет с наименьшим размером, но это приводит к увеличению числа ненулевых моментов. Гладкость вейвлет-функции влияет на погрешность вычисления коэффициентов и улучшает результат обратного преобразования (сглаживая ошибки сжатия). Вейвлет-функция должна удовлетворять следующему условию [107]: Это условие обязательно для всех вейвлетов. Оно называется условием осцилляции (знакопеременности), т.е. вейвлет — это некоторая функция, которая осциллирует на определенном интервале, а вне него затухает. Наиболее часто применяемыми вейвлет-функциями являются: вейвлет Хаара, МНАТ-вейвлет, Морле, Мейера, Шеннона, Добеши, койфлеты и др. Рассмотрим каждый из них подробнее. Графическое изображение вейвлета Хаара представлено на рисунке 6, а функция записывается в следующем виде:
Исследование методики локализации изменений в лесных массивах по аэрокосмическим снимкам
Для каждого изображения миры выполнялось вей влет-разложение до 128 уровня по вейвлет-функциям Добеши второго порядка (рисунок 21).
Далее для вейвлет-разложения каждой миры вычисляли коэффициент корреляции между вторым и последующими уровнями вейвлет преобразования. Результаты представлены в таблице 1. Уровни вейвлет-разложения
Из таблицы 1 видно, что коэффициенты корреляции между вторым и последующими уровнями вейвлет-разложения убывают, что подтверждает теорию (глава 2).
Следующим этапом экспериментальных работ была проверка данной методики на реальных снимках и выбор универсального порогового значения для разделения участков с изображением сплошного леса и с изображением неоднородного леса. Исследования выполнялись по космическим снимкам, полученным со спутников SPOT2 (панхроматический канал) и ALOS (панхроматический канал). Эти снимки являются крайними в масштабном ряде снимков, используемых при мониторинге незаконных рубок леса. Таким образом, также по ним можно определить оптимальные размеры наименьших участков. Для этого снимок ALOS был разделен на фрагменты размером 400x400, 200x200, 100x100 пикселей (рисунок 22), a SPOT2 - 200x200, 100x100 (рисунок 23), так как при размере 400x400 для снимков SPOT2 на фрагмент попадает слишком много объектов, фрагменты такого размера не участвовали в работе. Затем работа выполнялась аналогично работе с мирами. Результаты вычисления коэффициентов корреляции между вторым и последующими уровнями вейвлет-преобразования фрагментов снимков ALOS и SPOT2 представлены в таблицах 2иЗ.
Из анализа полученных результатов было вьгбрано пороговое значение коэффициента корреляции 0,800 между вторым и восьмым уровнями вейвлет-разложения, для этих данных размеры наименьших фрагментов 200x200 пикселей. Т.е. если А:,; 0,800 - фрагмент содержит вырубку, ATV 0,800 - фрагмент содержит сплошной лес.
В результате проведенного эксперимента можно привести следующие рекомендации по использованию разработанной методики: - для космических снимков с разрешающей способностью от 10 м до 2,5 м размеры наименьших участков, на которые делится изображение, предлагаются равными 200x200 пикселей, соответственно, пороговое значение коэффициента корреляции в таких условиях будет 0,8 (между вторым и восьмым уровнем вей влет-разложения); - данная методика может быть использована на этапе предварительной обработки изображений с целью локализации интересующих оператора участков снимка.
Цель данного исследования — обосновать на практике выбор вейвлет-функции для выявления изменений по разновременным космическим снимкам высокого и среднего разрешения. Теоретический анализ вейвлет-функций был выполнен во второй главе. Наиболее подходящим для выявления изменений был выбран анализирующий вейвлет Добеши, так как для того, чтобы выделить особенности изображения (резкие изменения яркости элементов), необходимо использовать вейвлет с наименьшим размером, а выбор числа нулевых моментов позволит регулировать количество незначительных деталей, необходимых для выделения на изображении. Чтобы проверить это на практике, был выполнен сравнительный анализ использования вейвлетов: Хаара, Добеши, койфле-тов и симлетов [92, 102-107]. Исследования выполнялись именно по этим функциям, так как они реализованы в программном комплексе ENVI. Изображения уровней вейвлет разложения миры 1 по вейвлетам Хаара, Добеши, койф-летам и симлетам приведены на рисунке 24, а значения коэффициентов корреляции между соответствующими уровнями вейвлет-разложения изображения миры 1 по вейвлетам Хаара, Добеши, койфлетам и симлетам в таблице 4.
Исследование технологической схемы выявления изменений по разновременным космическим снимкам для мониторинга лесных массивов с использованием вейвлет-анализа
Исследование технологической схемы выявления изменений по разновременным космическим снимкам для мониторинга лесных массивов с использованием вейвлет-анализа, описанной во второй главе диссертации, выполнялось по разновременным космическим снимкам: QuickBird, Landsat7, IRS и SPOT2.
Сначала было выполнено трансформирование исходных данных в единую систему координат в программном комплексе ENVI. Средняя квадратиче-ская ошибка привязки снимков в пределах пикселя.
Размер участков 200x200 пикселей (см. раздел 3.2). Для каждого участка выполнялось вейвлет-преобразование по вейвлет-функциям Добеши до 64 уровня разложения и рассчитывался коэффициент корреляции между соответственными уровнями вейвлет-разложения разновременных снимков (аналогично описанному в разделе 3.4). Примеры результатов вычисления коэффициента корреляции между соответственными уровнями вейвлет-разложения разновременных снимков приведены в приложении В.
Таким образом, были выявлены участки изображения, содержащие изменения, произошедшие на местности.
Далее необходимо выполнить векторизацию изменения. Чтобы выделить контур, были проанализированы матрицы коэффициентов всех уровней разложения по четырем вейвлет-функциям различных порядков с помощью построения графиков зависимости номеров пикселей в определенной строке или столбце от яркости. На рисунке 27 приведены вейвлет-разложение по функциям До беши одного из выбранных участков и графики, соответствующие 30-му, 60-му и 90-му столбцам матрицы изображения.
Из анализа графиков зависимости положения пикселя в строке от яркости, построенных для различных участков и уровней вей влет-разложения изображения, было выбрано пороговое значение яркости пикселя для выявления вырубки, которое равно 120 для 16-го уровня разложения. То есть все значения яркости больше 120 на изображениях 16 уровня вей влет-разложения можно отнести к вырубке. На рисунке 28 приведено несколько фрагментов изображения с вырубкой, и эти же фрагменты, в которых значения пикселей, относящиеся к вырубке, заменены на 0 или 255 в зависимости от тона изображения.
Далее выделенные области изменений легко выявляются с помощью стандартных процедур классификации или векторизации и совмещаются с карі матері іа юм на более раннюю дату создания. Результат выявления изменений приведен па рисунке 29.
Результаты выявления изменений в соответствии с описанной технологической схемой приведены в приложении Г.
Для исследования эффективности разработанной методики выявления изменений в лесных массивах, основанной на вейвлет-преобразования, было выполнено сравнение данной методики с другими методами выявления изменений.
Из анализа существующих методов выявления изменений по космическим снимкам можно сделать вывод, что наиболее часто применяются следующие методы Change Detection [60 -61, 118 - 120]: создание разностных изображений из исходных данных, анализ результатов автоматизированной классификации, способ на основе метода главных компонент.
Сначала было выполнено трансформирование исходных данных в единую систему координат в программном комплексе ENVI. Средняя квадратическая ошибка привязки снимков в пределах пикселя.
Для сравнения эффективности методов выявления изменений по разновременным снимкам предварительно было выполнено визуальное дешифрирование произошедших на местности изменений с помощью создания композитных изображений на основе исходных данных: QuickBird, Landsat7, IRS и SPOT2. Фрагменты этих снимков с изменениями приведены на рисунке 30.
На рисунке 30 на композитных изображениях розовым цветом показаны изменения, произошедшие на местности. Таким образом, в результате визуального анализа созданных композитов была выполнена векторизация изменений (рисунок 32).
Похожие диссертации на Разработка методики использования вейвлет-преобразования для обработки космических снимков высокого и среднего разрешения при мониторинге лесных массивов
