Содержание к диссертации
Введение
Глава 1. Дистанционное зондирование Земли и проблемы тематической интерпретации аэрокосмических изображений 14
1.1. Аэрокосмическая съёмка земной поверхности и изучение окружающей среды 14
1.2. Цифровые методы обработки изображений 24
1.3. Программное обеспечение автоматизированной обработки изображений 40
1.4. Содержание проблемы тематической обработки аэрокосмических изображений земной поверхности, формальная постановка и подходы к ее решению 46
Глава 2. Теория и методология построения многоуровневых алгоритмов тематической обработки аэрокосмических изображений земной поверхности 53
2.1. Теоретическая схема многоуровневой классификации изображений с использованием структурно - пространственной модели 53
2.2. Методология создания структурно - пространственной модели исследуемых изображений 58
2.3. Методология тематической классификации изображений с использованием структурно - пространственной модели .68
2.4. Перспективы применения и преимущества многоуровневой тематической обработки на основе структурнопространственной модели 78
Глава 3. Многоуровневая тематическая обработка многозональных аэрокосмических изображений 81
3.1. Тематическая обработка многозональных изображений КА Landsat -7 81
3.2. Определение заболоченных территорий по данным многозональной съёмки КА Landsat - 7 89
3.3. Тематическая обработка снимков датчика Aster КА Terra 92
3.4. Метод автоматизированного выделения объектов заданного размера на аэрокосмических изображениях 103
3.5. Обработка многозональных космических снимков для целей почвенного картографирования 112
Глава 4. Автоматизированная технология оценки динамики растительного покрова и других типов наземных экосистем по временным сериям данных дистанционных наблюдений 121
4.1. Общие положения 121
4.2. Базовые основы технологии оценки динамики растительного покрова и других типов наземных экосистем по данным дистанционного зондирования 126
4.3. Метод автоматизированного формирования временных серий тематических карт растительного покрова и грунтов по данным дистанционного мониторинга 134
4.4. Методы автоматического определения пространственного распределения изменений растительного покрова и грунтов по данным дистанционного мониторинга 150
Глава 5. Тематическая обработка радиолокационных и тепловых изображений земной поверхности 160
5.1. Тематическая интерпретация радиолокационных снимков 160
5.2. Автоматизированная тематическая обработка радиолокационных снимков 162
5.3. Принципы формирования теплового поля объектов 174
5.4. Использование данных тепловизионной аэросъёмки для мониторинга состояния теплотрасс 187
5.4.1. Постановка задачи и анализ исходных материалов 187
5.4.2. Методика автоматизированной тематической обработки данных тепловизионной аэросъёмки для мониторинга состояния теплотрасс, с использованием локальных классификаторов 189
Глава 6. Обработка изображений на высокопроизводительных вычислительных системах параллельной архитектуры 197
6.1. Многопроцессорные вычислительные системы 197
6.2. Методы распараллеливания вычислений в задачах автоматизированной обработки изображений 207
6.3. Определение оптимальных параметров вычислительного кластера и оценка эффективности распараллеливания алгоритмов обработки изображений 210
Заключение 219
Литература 222
- Цифровые методы обработки изображений
- Тематическая обработка снимков датчика Aster КА Terra
- Принципы формирования теплового поля объектов
- Определение оптимальных параметров вычислительного кластера и оценка эффективности распараллеливания алгоритмов обработки изображений
Введение к работе
Актуальность проблемы. Интенсивное развитие средств дистанционного зондирования Земли аэрокосмического базирования, увеличение объемов и информативности аэрокосмических данных приводит к непрерывному расширению круга решаемых на их основе тематических задач.
Изображения, полученные в результате дистанционного зондирования, характеризуются следующими свойствами: они содержат разнообразные однородные области, причем внутриклассовые среднеквадратичные отклонения характеристик часто сравнимы с разбросом между классами. Такие изображения называют сложными. При анализе сложного изображения все известные методы сегментации не могут гарантировать получения требуемого результата.
При тематической обработке данных аэрокосмической съемки информационные классы определяются, как набор объектов, которые необходимо выделить согласно требованиям решаемой тематической задачи и которые разделяются в имеющемся множестве данных. Основной проблемой при тематической сегментации сложных изображений земной поверхности является то, что применение алгоритмов классификации, использующих определенные условия однородности классов объектов и определенное пространство классификационных признаков, зачастую приводит к выделению на изображении сегментов, не соответствующих информационным классам решаемой тематической задачи. Для преодоления возникающих трудностей необходимо применять многоуровневые алгоритмы сегментации, использующие различные условия однородности классов объектов и различные подмножества классификационных признаков, учитывающие структурно-пространственные характеристики изображения. Все это определяет актуальность данной работы и обусловливает необходимость разработки теории и методов многоуровневой тематической сегментации аэрокосмических изображений.
Цель и задачи исследований. Целью настоящих исследований являлось решение научной проблемы тематической обработки изображений земной поверхности на основе многоуровневых алгоритмов сегментации.
Пути решения этой проблемы были определены следующим образом:
- разработка теории и методологии многоуровневой тематической сегментации аэрокосмических изображений земной поверхности;
- проведение экспериментальных исследований эффективности разработанных многоуровневых алгоритмов сегментации при решении различных тематических задач;
- исследование возможностей повышения эффективности тематической сегментации за счет использования технологии параллельной обработки изображений.
Научное значение и новизна работы. В настоящей работе разработаны теория и методология многоуровневой тематической сегментации аэрокосмических изображений земной поверхности. Результаты исследований позволяют повысить эффективность и оперативность тематической обработки материалов дистанционного зондирования земной поверхности.
На защиту выносятся следующие новые научные результаты, полученные в данной работе:
- теория и методология тематической обработки на основе многоуровневой классификации, с использованием структурно-пространственной модели исследуемых изображений;
- методология создания структурно-пространственной модели исследуемых изображений;
- алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста;
- методика многоуровневой тематической сегментации многозональных аэрокосмических изображений для определения природно-хозяйственных объектов исследуемых территорий;
- методика многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения;
- методика автоматизированного определения состояния теплотрасс по данным тепловизионной аэросъемки;
- методика количественной оценки эффективности распараллеливания и расчета оптимальной конфигурации вычислительного кластера при обработке изображений алгоритмами, использующими поэлементное сканирование изображений, и скользящими пространственными фильтрами.
Практическая ценность работы. Теория и методы, изложенные в работе, используются в ряде российских организаций, работающих в области дистанционного зондирования. В частности, они используются в следующих организациях:
-Государственное учреждение научный центр проблем аэрокосмического мониторинга "Аэрокосмос";
-Университет дружбы народов им. Патриса Лумумбы;
-ФГУ Государственный центр агрохимслужбы «СТАВРОПОЛЬСКИЙ".
На основе исследований автора были созданы курсы лекций «Дистанционные методы исследования природных ресурсов», «Технология тематической обработки данных дистанционного зондирования» для студентов факультета прикладной космонавтики МИИГАиК.
Разработанные методы используются в лабораторных занятиях по следующим курсам для студентов факультета прикладной космонавтики МИИГАиК:
- Дешифрирование аэрокосмических снимков;
- Технология тематической обработки данных дистанционного зондирования.
Разработанные методы используются в курсах лекций «Дистанционные методы контроля» и «Экологический мониторинг» для студентов экологического факультета Университета дружбы народов им. Патриса Лумумбы.
Разработки автора вошли в «Методические указания по ведению топографического мониторинга территории города Москвы по материалам космической съемки для решения задач мониторинга фактического использования земель», утвержденные Первым заместителем Мэра Москвы в Правительстве Москвы 28 сентября 2004г., введенные в действие – Приказом Департамента земельных ресурсов города Москвы 2 ноября 2004г. №82; Приказом Комитета по архитектуре и градостроительству города Москвы 1 ноября 2004г. №167.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на 11 Всероссийских и Международных конференциях и семинарах.
По теме диссертации опубликовано 36 научных работ.
Личный вклад автора. Все теоретические и методологические разработки, вынесенные на защиту в данной работе, выполнены лично автором.
Структура и объем диссертационной работы. Работа состоит из введения, шести глав, заключения и списка литературы. Диссертация изложена на 240 страницах, содержит 91 рисунок и 18 таблиц.
Цифровые методы обработки изображений
Большая часть данных дистанционного зондирования сразу поступает в цифровом виде, что позволяет непосредственно использовать для их обработки современные компьютерные технологии. Компьютерная обработка данных открывает новые перспективы автоматизации многочисленных трудоемких процессов и позволяет в короткий срок произвести обработку больших объемов данных [Королев Ю.К., 1999]. Использование космических изображений земной поверхности для исследования природных объектов, явлений и процессов требует дешифрирования этих материалов.
Автоматизированное дешифрирование - один из этапов процесса компьютерной обработки ДДЗ, представленных в цифровом виде, т.е. в форме цифровых изображений, включающий ввод изображений в компьютер (цифрование аналоговых и/или импорт цифровых изображений), тематическое дешифрирование и экспертную оценку данных [Автоматизированное дешифрирование].
Методы цифровой обработки изображений подразделяют на две группы, предназначенные для частичного или полного компьютерного решения поставленной задачи:
1. Методы, обеспечивающие яркостные и геометрические преобразования снимков (предварительная обработка космических снимков); они направлены на облегчение визуального дешифрирования, повышение его объективности и достоверности, а также подготовку снимков к последующему автоматизированному дешифрированию и созданию карты;
2. Методы автоматизированного дешифрирования - классификация объектов на изображении с использованием априорной информации о признаках выделяемых объектов или без нее.
Предварительная обработка изображений является необязательным этапом цифровой тематической обработки. К предварительной обработке относят преобразования изображения в изображение того же уровня, причем выходное представляет собой улучшенный по некоторому критерию вариант входного. Предварительная компьютерная обработка аэрокосмических снимков земной поверхности может применяться в качестве первого этапа перед последующим визуальным дешифрированием, с целью улучшения изобразительных свойств снимка. Для успешного решения задачи автоматизированного дешифрирования также используется предварительная обработка с целью улучшения разделимости классов объектов, подлежащих дешифрированию.
Яркостные преобразования снимков включают два типа операций:
радиометрическая и геометрическая коррекция снимка, которая выполняется для устранения дефектов, связанных с технологическими свойствами системы регистрации и/или условиями съемки;
улучшение качества цифровых изображений.
Исходные цифровые значения снимка, представляя его спектральную яркость, определяются числом и положением уровней квантования в радиометрическом диапазоне. Радиометрическая коррекция имеет дело с варьированием значений яркости пикселей, причиной которого не является сам объект или сканируемое изображение. Такое варьирование определяется сбоем или неисправностью детекторов, влиянием рельефа, атмосферными эффектами. Методы радиометриче ской коррекции показателей датчиков обычно представляют разработчики конкретной съемочной аппаратуры.
Геометрическая коррекция предназначена для устранения искажений в относительном позиционировании пикселей, причиной которых, в основном, являются погрешности датчика. Подобные искажения проявляются на снимках в виде полос частот изображения и выпадения значений отдельных строк в цифровой записи.
Методы улучшающих преобразований обычно применяют в качестве первого шага в использовании снимков: для идентификации изобразившихся областей и объектов, определения их местоположения и для извлечения информации об их изобразительных признаках. При предварительной обработке снимков для последующего автоматизированного дешифрирования проводятся операции:
по изменению яркости и контрастности изображения или его части;
по фильтрации значений яркости (сглаживание) для снижения уровня аддитивного шума;
по выделению контуров и получению изображения с контра- стированными границами.
К одному и тому же изображению может быть применено несколько различных типов улучшающих преобразований в зависимости от задач использования снимка.
Методы спектрального улучшения изображений (изменение яркости и контрастности) реализуют с учетом только индивидуальных значений яркости пикселей в пределах каждой зоны спектра. В их основе лежит анализ и преобразование гистограмм - графического представления распределения спектральных яркостей снимка в радиометрическом диапазоне. При этом новой информации не образуется, а исходная информация перераспределяется с тем, чтобы подчеркнуть спектральные свойства объекта.
При предварительной обработке снимков часто производят операции по обострению размытых очертаний объектов и снижению уровня аддитивного шума. В результате этих операций снижается значение внутриклассовых дисперсий протяженных объектов и повышается вероятность их правильного разделения при использовании цифровых классификаторов.
Автоматизированное цифровое дешифрирование снимков осуществляет классификацию объектов, присутствующих на снимке. Процесс происходит в спектральном пространстве и состоит в распределении всех пикселей снимка по классам в соответствии с отражательной способностью каждого из них в одной или нескольких спектральных зонах. Если пиксель удовлетворяет определенному набору условий однородности, то он приписывается к классу, который соответствует заданному критерию.
Трудности классификации связаны, прежде всего, с изменчивостью признаков - отражательная способность изменяется в зависимости от ракурса съёмки, времени суток, сезона и т.д. Поэтому правила классификации для разных снимков могут не совпадать. Часто классификация бывает неопределенной и неточной, т.к. по значениям спектральной яркости пиксели могут относиться сразу к нескольким классам, да и сам пиксель растра может представлять интегрированную характеристику объектов разных классов - это так называемые смешанные пиксели. Несмотря на это в процессе работы классификатора неопределенность игнорируется, и каждый пиксель помещается в один из классов.
Особенность автоматизированного дешифрирования состоит в том, что реальные объекты земной поверхности представлены отдельными элементами - пикселями, в которых зафиксирована спектральная отражательная способность объектов. Дешифрирование объектов по снимкам осуществляется не в географическом пространстве, а опосредованно, в спектральном пространстве. Такое пространство ортогонально, его размерность равна числу съемочных зон, к которому может быть добавлено некоторое количество модифицированных изображений, полученных в результате предварительной обработки. Каждый пиксель многозонального снимка с его набором спектральных значений представляет точку в этом пространстве. Таким образом, каждый объект на снимке представлен компактным множеством точек в спектральном пространстве с признаками, характеризующими объект.
Цифровая классификация изображений может быть контролируемой и неконтролируемой. При контролируемой классификации для построения классификатора используются априорно известные тестовые (эталонные) участки, принадлежащие к определённому классу объектов. Неконтролируемая классификация предполагает определение классов объектов чисто статистическим образом.
Наиболее простым и широко распространенным методом сегментации неоднородных по яркости изображений является пороговая обработка и ее обобщение для совместной обработки нескольких изображений - гиперпараллелепипедный метод.
Тематическая обработка снимков датчика Aster КА Terra
На первом этапе по 9-ти исходным изображениям, обработанным медианным фильтром 3x3 элементов, методом контролируемой классификации с использованием гиперпараллелепипедного классификатора и предварительно определённых тестовых участков выделяются автомагистрали.
На втором этапе осуществляется выделение застроенных участков территории путём пороговой обработки исходного изображения в диапазоне 0,520 - 0,600 мкм отфильтрованного скользящим среднеквадратичным отклонением с размером апертуры фильтра 7x7 элементов. Из результата вычитается изображение автомагистралей, полученное на первом этапе. На третьем этапе по 9-ти исходным изображениям, обработанным медианным фильтром 3x3 элементов, методом контролируемой классификации с использованием гиперпараллелепипедного классификатора и предварительно определённых тестовых участков выделяются участки лесной растительности, заболоченные территории, луга, пашни, площадные объекты гидрографии (река Ока, озера, песчаное мелководье), песчаные участки, пустыри.Результат многоуровневой автоматизированной сегментации получается путём сложения изображений, полученных на первом, втором и третьем этапе.
Цифровые методы не позволяют выделить линейные объекты, ширина которых не превышает одного пикселя, такие как автомобильные дороги, ЛЭП, небольшие речки. Их определение проводилось визуально в интерактивном режиме.
Выделение шоссейных автомобильных дорог наиболее эффективно осуществлять в зеленой части спектрального диапазона, в которой они отображаются почти белым тоном. Для выделения участков автомобильных дорог, затенённых высокой лесной растительностью, целесообразно привлечение в качестве дополнительного материала изображений в ближней ИК части спектрального диапазона, где шоссейные автомобильные дороги отображаются почти чёрным тоном. На рис. 3.3.11. - 3.3.13. показаны примеры отображения автомобильных дорог в этих диапазонах. Визуально в интерактивном режиме была проведена сегментация реки Лопасня по изображению в ближней ИК зоне. В качестве классификаци онного признака использовался темный тон изображения реки. На рис. 3.3.14. показан пример отображения реки Лопасня на фоне различных объектов (леса, луга, пашни, населённые пункты) в ближней ИК зоне.
Небольшие речки шириной несколько метров такие, как Таденка, Пониковка, Сушка, Речма не выделяются на изображениях с разрешающей способностью 15 метров, ни по прямым, ни по косвенным признакам.
Общая блок-схема описанного процесса многоуровневой сегментации показана на рис. 3.3.15.
Результат многоуровневой сегментации приведен на рис. 3.3.16. Анализ результатов показывает, что по данным 9-ти диапазонов датчика Aster возможно определение весьма представительного набора ландшафтных компонентов. Значительное число площадных объектов выделяются автоматизированными методами.
В автоматизированном режиме выделяются площадные объекты гидрографии, участки лесной растительности, луга, пашни, пустыри, заболоченные участки, редколесье, садово-огородные участки, песчаные поверхности, песчаное мелководье, застроенные территории. Посредством визуальных методов обработки в интерактивном режиме выделяются шоссе, реки, ширина которых более 10 метров, линии электропередачи на незастроенных территориях.
Весьма эффективным является использование для автоматизированной сегментации застроенных территорий модифицированного признака, полученного путём фильтрации скользящим среднеквадратичным отклонением изображения в зеленой зоне спектрального диапазона. Анализ результатов показал, что по модифицированному изображению были выделены практически все населённые пункты, присутствующие на данной территории, включая самые маленькие деревни и пионерлагеря. При этом не было обнаружено ни одного случая ложного определения участков территории, как населённых пунктов.
В левом нижнем углу снимка выделились населённые пункты (с запада на восток южнее Оки) западнее автомагистрали: деревня Банино, восточнее автомагистрали Липицы. Южнее озера Нерпецкое: Вечере, Селино, Шепилово, Мещерино, гор. Пущино. Восточнее города Пущине. Балково, Алфертищево, Тульчино, Зыбинка, Еснино, Аладьино, Жерновка, Вязищи, Акуловка, Фёдоровка, Есуновский, Хатавки.
Севернее Оки до левого угла снимка по реке Лопасня, Турово, Свиненки, Игумново, Зиброво, Никифорово, Енино, Байденки, Саймо- ново, Барыбино, Лапино, Починки, Антипино, Залуги, Кубасово, Толби- но, Саяково, Хатунь, Пру дно, Грызлово, Бенетово, Теняково, Кравцово, Протасово, Ивановское, Шугарово, Киясово, Заворыкино, Канищево, Агарино, Дубечино, Попово, Горки, Шальцы, гор. Новый Быт, Голыги- но, Лекчищево, Еськино, Пронино, Баранцево. Севернее Лопасни Бер- шово, Мальцы, Дубечино, Бранцево, Бавыкино, Перхурово, Кальково и пионерлагеря.
По автомагистрали М-2 на юг до Оки: Плешкино, Шарапова Охота, Нов. Кузьминки, Фенино, Орнеево, Мартьяново, Костино, Лев. Яще- рово, Прав. Ящерово, Бегичево, Данки, Карпова поляна, Боршово, Пали- хово, Сушки, Лужки, Республика и пионерлагеря.
При анализе полученных результатов было проведено сравнение результатов, полученных с использованием многоуровневой классифи кации, с результатами применения одноуровневой методологии контролируемой классификации, описанной в пункте 3.1.1.
Сравнительная оценка вероятности правильной классификации природно-хозяйственных объектов по формуле (3.1.1) и погрешности по методу Корнфельда для многоуровневой сегментации и одноуровневой методологии контролируемой сегментации приведена в таблице 3.3.1.
В главе 2 были описаны методы выделения малоразмерных объектов определённого размера. Их использование позволяет, автоматизировано определять местоположение таких объектов на изображении, однако применение сглаживающей обработки пространственными фильтрами с большим размером апертуры и получение классифицированного изображения с помощью одноуровневого классификатора приводит к потере информации о форме этих объектов. Форма объекта является важным классификационным признаком. Приведем пример построения на основе теоретических положений, изложенных в главе 2, методики автоматизированного выделения малоразмерных объектов заданного размера, позволяющей достоверно выделять малоразмерные объекты с высокой точностью выделения контура. Рассмотрим решение этой задачи на примере выделения зданий сельского типа на снимках сверхвысокого разрешения [Марчуков B.C., Кочнова И.В. ..., 2004]. На рис. 3.4.1. приведен аэроснимок участка территории в панхроматическом диапазоне. На данной территории представлены следующие виды объектов: лесная растительность, луга, пашни, автомобильные дороги, озеро, здания сельского типа.
Принципы формирования теплового поля объектов
Каждый объект с температурой, отличающейся от абсолютного нуля, является источником электромагнитного излучения, вызываемого движущимися атомами и молекулами его вещества. Это излучение называется тепловым и описывается законом Планка, характеризующим распределение мощности излучения по спектру в зависимости от температуры излучателя [Левитин И.Б. 1981].
В зависимости от эффективности излучения тепловых источников, их подразделяют на три вида излучателей: чёрные, серые и селективные. Абсолютно чёрное тело (АЧТ) является идеальным излучателем, обладающим максимально возможной мощностью излучения при любой температуре. Естественно, в природе подобных тел не существует, АЧТ является идеализированным физическим понятием.
Степень черноты еи показывает, насколько мощность излучения реального тела отличается от максимально возможной, т.е. от мощности излучения АЧТ при данной температуре и длине волны. В общем случае реальные искусственные и природные объекты — это селективные излучатели, для которых коэффициент излучения является функцией длины волны и абсолютной температуры. Однако для многих реальных твердых тел распределение энергии по спектру имеет тот же характер, что и у АЧТ, т.е. коэффициент излучения не зависит от длины волны. Для таких излучателей применяется понятие «серого тела». В ограниченных спектральных диапазонах многие тела с достаточной точностью можно считать серыми.
Суммарная мощность излучения, испускаемого телом с единицы поверхности, определяется законом Стефана - Больцмана [Кухлинг, 1982; Сафронов, 1976].
Согласно закону Голицына - Вина, длина волны, которой соответствует максимум спектральной плотности излучения, обратно пропорциональна абсолютной температуре излучателя. Практически все реальные тела с абсолютной температурой до нескольких тысяч градусов излучают преимущественно в ИК-области спектра. При этом излучение всех природных образований, расположенных на земной поверхности, приходится на средний и дальний ИК-диапазоны. При температуре 20 С максимум спектральной плотности излучения находится около 10 мкм. Солнце имеет максимальную излучательность при длине волны около 0,5 мкм, поэтому влияние его отражённого излучения в среднем и особенно в дальнем ПК-диапазонах весьма мало [Шилин Б.В., 1980].
Измерение интегральной мощности излучения в широком спектральном диапазоне позволяет на основании закона Стефана - Больцмана дистанционно определить радиационную температуру объектов, т.е. температуру, которую имеет АЧТ, обладающее одинаковой с данным телом интенсивностью излучения. Радиационная температура 7д серого тела связана с его термодинамической температурой Т через величину коэффициента излучения:
Особый интерес, проявляемый к съёмкам в средней и дальней частях ИК-области спектра, объясняется тем, что в этих спектральных диапазонах измеряется собственное тепловое излучение объектов земной поверхности. Интенсивность излучения в основном обусловлена тепловым состоянием излучающей поверхности. Тепловая ИК съёмка осуществляется как в наземном варианте, так и с борта летательных аппаратов — воздушных и космических. Наземная тепловая ИК съёмка, как правило, применяется для наблюдения за различными малоразмерными искусственными теплоизлучающими объектами. Тепловая ИК аэ- ро- и космическая съёмка используется для решения широкого круга задач, требующих наблюдения за тепловым состоянием больших площадей. Естественно, при этом космическая тепловая ИК съёмка обладает рядом особенностей. Это — высокий уровень генерализации изображений, сравнительно низкое разрешение на местности и т. д.
Тепловая ИК аэросъёмка (ТИКАС) позволяет получать изображение масштаба порядка 1:100000 и крупнее с разрешением в несколько дециметров, что делает возможным её применение при изучении элементов ландшафта самых различных уровней. Отметим, что ТИКАС регистрируется тепловое излучение земной поверхности. Глубинные объекты могут определяться только в том случае, если они оказывают воздействие на температурный режим поверхности Земли. Глубина залегания этих объектов определяется не возможностями тепловой съёмки, но физическими свойствами этих объектов и перекрывающих их пород.
Круг объектов наблюдения дистанционного теплового мониторинга (ДТМ) весьма многообразен. В него входят объекты, различающиеся по своей физической сущности, положению в пространстве, связи с антропогенной деятельностью и другим свойствам. Основной признак, определяющий возможности тепловой съёмки и особенности ее методики, — характер формирования регистрируемого теплового контраста. Поэтому общую систематизацию всех объектов наблюдения целесообразно производить на этой основе. Для решения отдельных методических вопросов деление может быть выполнено и по другим признакам.
В соответствии с законом Стефана - Больцмана принципиально возможно существование двух видов объектов наблюдения, которые условно можно назвать температурноконтрастными и радиационноконтрастными. Первые выделяются за счёт различия термодинамических температур объекта и фона, а вторые — за счёт различия в величине коэффициента излучения. Естественно, что в первом случае контраст может быть зарегистрирован как дистанционно, так и при непосредственном (контактном) измерении. Во втором случае возможна только дистанционная регистрация.
Основное отличие указанных видов объектов наблюдения проявляется во временной динамике их поведения. Температурное состояние реальных тел, как правило, сильно меняется во времени. Поэтому температурноконтрастны м объектам обычно свойственна нестабильность регистрируемого контраста. Величина коэффициента излучения определяется вещественным составом объекта и состоянием излучающей поверхности, поэтому радиационноконтрастные объекты отличаются постоянством регистрируемых аномалий.
Необходимо отметить, что подобное деление в значительной степени условно. Как правило, в формировании контраста принимают участие оба фактора. Различия в составе и состоянии поверхности обуславливают существование различий в теплофизических свойствах и отражательной способности, за счёт чего в большинстве случаев формируется температурный контраст. Поэтому радиационноконтрастные объекты являются своего рода физической абстракцией. Они могут существовать только в идеальных условиях при отсутствии источника нагрева. Из реальных объектов наблюдения ДТМ в наибольшей степени к ним близки некоторые виды промышленных сбросов загрязнений в поверхностные воды. На р. Москве в пределах центральной части города экспериментальной тепловой съёмкой было выделено более десяти таких объектов. Все они были связаны с химическим загрязнением водной среды. Температурный контраст при этом отсутствовал или был существенно ниже порога чувствительности измерительной аппаратуры (менее 0,1 К) [Скловский С.А. ...,2001].
Формирование теплового поля температур контрастных объектов, в первую очередь, определяется видом основного источника нагрева. По этому признаку их можно разделить на объекты с внешним и с внутренним источником. Внешним источником теплоты является Солнце, за счёт излучения которого происходит нагрев земной поверхности. Внутренними источниками теплоты (т е. не связанными с солнечным нагревом) могут быть как природные (например, очаги возгорания), так и антропогенные (например, подземные теплопроводы) источники. Естественно, и в этом случае солнечное излучение принимает участие в распределении температур земной поверхности, однако главную роль в формировании тепловой аномалии играет внутренний источник.
Рассмотрим объекты наблюдения ДТМ с внешним источником теплоты. Температурный контраст таких объектов с фоном формируется за счёт различия в теплофизических свойствах поверхностного слоя грунта, а также в расположении поверхностей относительно падающего потока солнечного излучения.
Интерпретация материалов тепловой ИК съёмки в системе дистанционного мониторинга, как и при изучении природных ресурсов, основана на двух взаимодополняющих подходах: геофизическом и ланд- шафтно-индикационном. При геофизическом подходе анализируется поле тепловых контрастов и характер его поведения при изменении природных и технических условий съёмки. Ландшафтно-индикационный подход заключается в выяснении индикационных свойств природных образований и искусственных объектов, находящих отражение в тепловом поле земной поверхности.
Существующие методики интерпретации относятся главным образом к статичным или медленно меняющимся объектам и явлениям. При изучении же объектов наблюдения ДТМ в основу интерпретации должен быть положен анализ динамики поля температурных контрастов. При этом должны учитываться изменения, вызванные как вариациями природных условий, так и состоянием самого объекта наблюдения.
Определение оптимальных параметров вычислительного кластера и оценка эффективности распараллеливания алгоритмов обработки изображений
При решении задач предварительной обработки наиболее широко используются различные виды пространственной фильтрации скользящими окнами различного размера. В этом случае в обработку вовлекается некоторая, сравнительно небольшая, окрестность обрабатываемого элемента изображения.
Рассмотрим разбиение изображения на (возможно, пересекающиеся) полосы в направлении, перпендикулярном направлению построчного (постолбцового) сканирования. Этот способ удовлетворяет требованиям, обычно предъявляемым обработкой в реальном времени, снимает необходимость обмена промежуточными результатами между параллельными процессами выполнения локальных операций и легко реализуется как программно, так и аппаратно. Процесс сборки результирующего изображения состоит из действий, в точности противоположных разбиению. Таким образом, манипуляции данными изображения сами по себе являются задачей, не менее сложной, чем их обработка, и от их эффективной реализации во многом зависит эффективность всей многопроцессорной системы обработки изображений. Поэтому при создании многопроцессорных систем обработки изображений актуальной задачей является разработка методов оценки эффективности распараллеливание по структурам данных и определения оптимальных параметров вычислительного кластера.
Для проведения оценки эффективности многопроцессорной классификации, использующей поэлементное сканирование изображений, введём следующие обозначения: [вьт - время обработки одной строки (столбца) данных; 1пер - время пересылки одной строки (столбца) данных (включает в себя время пересылки при разбиении данных, время пересылки при сборке данных и время задержки, связанной с возможной несинхронной работой процессоров); I - число задействованных процессоров; п - число строк (столбцов) обрабатываемого изображения.
С учётом введенных обозначений время выполнения классификации изображений на одном процессоре Тпос будет определяться следующим выражением:
Анализ выражения (6.3.6) показывает, что при значениях 1 (то есть, если время пересылки больше или равно времени выполнения) значение К ни при каких условиях не может быть больше 1 и, следовательно, использование параллельной обработки приведёт не к ускорению, а к замедлению выполнения обработки. Выигрыш К будет стремиться к / , если отношение времени пересылки к времени выполнения — 0. На рис. 6.3.1. - 6.3.4. показаны графики зависимости выигрыша К от числа процессоров / при распараллеливании по данным алгоритмов, использующих поэлементное сканирование изображений, для различных значений параметра .
Несколько более сложным является процесс распараллеливания по данным задач предварительной обработки пространственной фильтрации скользящими окнами различного размера. В этом случае в обработку вовлекается некоторая окрестность обрабатываемого элемента изображения. Поэтому разбиение изображения необходимо осуществлять на пересекающиеся полосы в направлении, перпендикулярном направлению построчного (постолбцового) сканирования.
Введём обозначение: м - размер окна используемого пространственного фильтра.
Время выполнения пространственной фильтрации на одном процессоре Тпос будет определяться следующим выражением:
ТПос = п 1вып (6.3.7)
Соответственно, время выполнения с использованием распараллеливания на / процессорах Тпар определяется выражением:
На рис. 6.3.5. - 6.3.9. показаны графики зависимости выигрыша К от числа процессоров / при распараллеливании по данным алгоритмов, использующих сканирование изображений скользящим окном для различных значений параметров 1,п и мл
Анализ графиков зависимости выигрыша К от числа процессоров I показывает, что в начале координат увеличение числа процессоров приводит к повышению выигрыша за счёт распараллеливания, затем кривая выигрыша К достигает плавного максимума, за которым следует медленный спад.
Основным параметром, определяющим максимальный выигрыш за счёт распараллеливания обработки изображений скользящими фильтрами, является отношение времени пересылки к времени выполнения.
Продифференцировав выражение (6.3.10) по /, приравняв производную нулю и решив полученное уравнение относительно /, получим выражение, определяющее число процессоров /тах, соответствующее максимальному выигрышу за счёт распараллеливания:
Подставив значение /тах из выражения (6.3.11) в формулу (6.3.10), получим выражение для определения максимального значения выигрыша Ктах:
Из анализа выражений (6.3.11) и (6.3.12) видно, что возможности повышения эффективности обработки за счёт использования большего числа процессоров возрастают с увеличением размера обрабатываемого изображения п. Для близких к нулю значений отношения t/n, что соот ветствует обработке изображений большого размера, можно пренебречь первым членом в знаменателе выражения (6.3.12), в результате чего, выражение для определения максимального значения выигрыша Ктах упростится и примет следующий вид:
Таким образом, для изображений большого размера мы получили идентичные формулы определения максимального значения выигрыша Ктах для алгоритмов, использующих поэлементное сканирование изображений, (6.3.6) и алгоритмов, использующих сканирование изображений скользящими окнами (6.3.13).
На рис. 6.3.10. показан график зависимости Ктах от отношения времени пересылки к времени выполнения I.
Похожие диссертации на Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации
