Содержание к диссертации
Введение
1. Анализ алгоритмов и информационных технологий обработки данных от систем гиперспектрального наблюдения Земли 11
1.1. Состояние и перспективы развития систем гиперспектральной съемки Земли 11
1.2. Анализ алгоритмов и технологий обработки гиперспектральной информации 20
1.3. Основные направления исследований по созданию новых эффективных средств первичной обработки гиперспектральной информации 34
Основные результаты 38
2. Алгоритмы восстановления измерительных свойств гиперспектральных изображений 39
2.1. Алгоритм формирования единого гиперкуба данных. Пространственный подход 39
2.2. Алгоритм формирования единого гиперкуба данных. Спектральный подход 45
2.3. Статистические модели учета атмосферных искажений 52
2.4. Алгоритмы выделения на гиперспектральных изображениях границ объектов с использованием их пространственно-спектральных характеристик 58
Основные результаты 64
3. Алгоритмы комплексирования гиперспектральных изображений с данными от других съемочных систем 65
3.1. Алгоритмы комплексирования данных из различных спектральных диапазонов гиперспектрального изображения 65
3.2. Технология координатно-спектрального совмещения материалов гиперспектральной и многозональной съемки Земли
3.3. Алгоритм повышения детальности материалов гиперспектральной съемки Земли на основе привлечения многозональных изображений высокого пространственного разрешения 78
3.4. Показатели качества результатов комплексирования гиперспектральных изображений 85
Основные результаты 91
4. Экспериментальные исследования и реализация алгоритмов предварительной обработки данных от систем гиперспектральной съемки Земли 92
4.1. Экспериментальные исследования алгоритмов восстановления измерительных свойств гиперспектральных изображений 92
4.2. Экспериментальные исследования алгоритмов комплексирования ГСИ 108
4.3. Реализация комплексов предварительной обработки ГСИ 116
Основные результаты 119
Заключение 121
Список литературы
- Основные направления исследований по созданию новых эффективных средств первичной обработки гиперспектральной информации
- Алгоритм формирования единого гиперкуба данных. Спектральный подход
- Технология координатно-спектрального совмещения материалов гиперспектральной и многозональной съемки Земли
- Экспериментальные исследования алгоритмов комплексирования ГСИ
Введение к работе
Актуальность и степень разработанности темы. В последние годы в нашей стране и за рубежом в практику дистанционного зондирования Земли (ДЗЗ) активно внедряются технологии гиперспектральной съемки. Это новое перспективное направление исследования объектов земной поверхности – изучение их свойств на основе анализа информации о распределении отраженного от них излучения в зависимости от длины волны. Для этого создается гиперспектральная аппаратура (ГСА) авиационного и космического базирования. Такая аппаратура позволяет получить для заданного района местности сотни изображений, зафиксированных в очень узких соприкасающихся спектральных диапазонах. В результате съемки формируется так называемый гиперкуб данных в виде набора изображений одной и той же сцены, но полученных в различных спектральных диапазонах. Каждой точке гиперкуба соответствует спектральная характеристика (СХ) в виде вектора отсчетов яркости в зависимости от длины волны регистрируемого излучения. СХ несет информацию о физико-химических свойствах наблюдаемого объекта. На этой основе гиперспектральное наблюдение Земли позволяет эффективно решать важные задачи в области экологии, лесного и сельского хозяйств, изучения атмосферы, гидрометеорологии, анализа техногенных явлений, военной разведки и др.
За рубежом работы по созданию систем гиперспектральной съемки ведутся с середины 1980-х гг. За это время создан ряд аэрокосмических систем гиперспектрального наблюдения Земли, таких как CHRIS (Sira Technology Ltd, Великобритания; Verhaert Design and Development, Бельгия, 2001 г.); HICO (The Aerospace Corporation, Johnson Space Center, США, 2009 г.); Hyperion (TRW Inc., США, 2000 г.); HIS EnMap (Kayser-Threde GmbH, German Research Centre for Geosciences, Германия, система планируется к использованию в 2018 г.) С самого начала экспериментальной и штатной эксплуатации подобных систем решен ряд важных задач в гражданской и военной сферах.
В России работы в данном направлении были начаты параллельно с зарубежными. Первые образцы самолетной гиперспектральной аппаратуры созданы в конце 1980-х годов в Ленинградском институте точной механики и оптики. Однако первые образцы ГСА космического базирования появились совсем недавно: на малом космическом аппарате МКА-ФКИ «Зонд-ПП» (головной разработчик – НПО им. С.А. Лавочкина, 2012 г.); на космическом аппарате (КА) «Ресурс-П» №1 (головной разработчик – Самарский Ракетно-космический центр «Прогресс», разработчик ГСА – Красногорский завод им. С.А.Зверева, 2013 г). Таким образом, в нашей стране работы по созданию ГСА идут с некоторым отставанием от США, Великобритании, Германии и других зарубежных стран. Для достижения паритета в этой области Федеральной космической программой на 2006 – 2015 гг., а также ее проектом на 2016 – 2025 гг., предусмотрена разработка гиперспектральных съемочных систем.
Работы по созданию авиационных и космических систем гиперспектрального наблюдения Земли активно ведут Ракетно-космический центр «Про-
гресс», НПО им. С.А. Лавочкина, Красногорский завод им. С.А. Зверева, ЦНИИмаш, НПО «Лептон», Корпорация «ВНИИЭМ», Центр Келдыша, НПП «ЭЛАР», Институт космических исследований РАН, НТЦ «Реагент» и другие предприятия ракетно-космической промышленности.
В проектировании наземных средств обработки гиперспектральной информации активно участвуют ВКА им. А.Ф.Можайского, Госцентр «Природа», МГТУ им. Н.Э.Баумана, МФТИ, НИЦ «Планета», РГРТУ, ВНИИ физико-технических и радиотехнических измерений, Институт физики атмосферы им. А.М. Обухова РАН, МГУ им. М.В. Ломоносова, Институт систем обработки изображений РАН, Институт космических исследований РАН, Научный центр оперативного мониторинга Земли Корпорации «Российские космические системы» и другие научные центры.
Прежде чем использовать гиперспектральную информацию по назначению, необходимо выполнить ее предварительную обработку: восстановить измерительные свойства и повысить качество. Основными задачами предварительной обработки являются устранение различного рода искажений, которые появляются в процессе формирования гиперспектральных изображений (ГСИ), и получение стандартных информационных продуктов, принятых в международной практике. Важной задачей предварительной обработки также является объединение данных от нескольких оптико-электронных приборов (ОЭП), входящих в ГСА и работающих в различных спектральных диапазонах.
Гиперспектральные снимки предоставляют новые возможности по получению изображений с улучшенными характеристиками путем комплексирова-ния информации из отдельных спектральных каналов или объединения ГСИ с видеоданными от других съемочных систем.
Настоящая диссертационная работа нацелена на решение этих вопросов.
Целью диссертации является создание алгоритмов предварительной обработки материалов гиперспектральной съемки Земли для восстановления их измерительных свойств и повышения качества отображения объектов наблюдаемой сцены.
Для достижения поставленной цели решаются следующие
основные задачи:
проводится анализ комплексной технологии обработки гиперспектральных данных и преобразования в формат, принятый в международной практике;
разрабатываются алгоритмы объединения гиперспектральной информации от различных оптико-электронных приборов, входящих в ГСА, в единый гиперкуб на основе пространственной и частотной фильтрации;
создаются алгоритмы комплексирования данных от различных спектральных каналов ГСА и совмещения ГСИ с видеоданными от других съемочных систем с целью повышения четкости отображения земной поверхности;
разрабатываются алгоритмы выделения на ГСИ границ объектов на основе анализа их пространственно-спектральных характеристик;
осуществляется практическая реализация разработанных алгоритмов и
оценка эффективности их работы на натурной информации от авиационных и
космических систем гиперспектральной съемки Земли.
Научная новизна диссертации определяется тем, что в ней представлены новые эффективные алгоритмы предварительной обработки гиперспектральных изображений с целью улучшения их измерительных свойств и повышения качества отображения объектов земной поверхности.
Основные новые научные положения, выносимые на защиту:
алгоритм объединения гиперспектральной информации от различных оптико-электронных приборов в единый гиперкуб на основе линейной фильтрации исходных данных с оценкой параметров фильтра в пространственной и частотной областях;
алгоритмы комплексирования данных от нескольких спектральных каналов гиперспектральной аппаратуры с целью повышения четкости отображения земной поверхности;
алгоритм выделения на гиперспектральных изображениях границ объектов наблюдаемой сцены на основе анализа их пространственно-спектральных характеристик;
алгоритм повышения детальности материалов гиперспектральной съемки Земли на основе привлечения многозональных изображений высокого пространственного разрешения.
Теоретическая и практическая значимость диссертации состоит в том, что в ней предложены и исследованы новые алгоритмы предварительной обработки гиперспектральных изображений от различных космических систем наблюдения Земли и на основе этих алгоритмов созданы программные комплексы, получившие эффективное внедрение на практике.
Методы исследования. Теоретические результаты получены с использованием методов линейной алгебры, математической статистики, обработки изображений.
Реализация и внедрение. Диссертация выполнена в Рязанском государственном радиотехническом университете в рамках ОКР 14-11, НИР 9-14Г, ОКР 33-14. Результаты работы в виде алгоритмов и программного обеспечения внедрены в Научном центре оперативного мониторинга Земли Корпорации «Российские космические системы» (г. Москва) и Ракетно-космическом центре «Прогресс» (г. Самара), что подтверждается актами.
Апробация работы. Основные положения диссертации докладывались и обсуждались на 3-х международных и 11-и всероссийских научно-технических конференциях: на международной конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2010, 2012), международной конференции «Космонавтика. Радиоэлектроника. Геоинформа-
тика» (Рязань, 2013); всероссийских конференциях «Актуальные проблемы ракетно-космического приборостроения и информационных технологий» (Москва, 2012, 2013), «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2012, 2013, 2014), «Актуальные проблемы ракетно-космической техники» (Самара, 2011, 2015), «Гиперспектральные приборы и технологии» (Красногорск, 2013), «Новые информационные технологии в научных исследованиях» (Рязань, 2010, 2011, 2012, 2014).
Достоверность результатов диссертации подтверждается корректным использованием математического аппарата, экспериментальными исследованиями и практическим внедрением.
Публикации. По теме диссертации опубликованы 33 работы: 8 статей (5 по списку ВАК), монография (в части главы 6), 24 тезиса докладов на международных и всероссийских конференциях.
Структура и объем работы. Диссертация состоит из введения, 4-х глав, заключения, списка литературы и приложения, которое содержит документы о внедрении результатов. Основной текст работы составляет 122 с., 37 рисунков и 6 таблиц. Список литературы включает 122 наименования на 16 с.
Основные направления исследований по созданию новых эффективных средств первичной обработки гиперспектральной информации
Системы дистанционного зондирования Земли (ДЗЗ) прошли длинный путь развития от самых первых систем, регистрирующих излучение видимого диапазона на пленку (аэрофотосъемка), до современных цифровых систем радиолокационного и микроволнового зондирования. Развитие аппаратной части систем ДЗЗ всегда имело своей целью повышение информативности и достоверности получаемых сведений о наблюдаемых объектах поверхности Земли. Процесс этого развития можно проследить в изменении основных характеристик съемочных систем: – в пространственном разрешении – характеристике, определяющей минимально различимые объекты на поверхности Земли [60, 61]; – радиометрическом разрешении; – спектральном разрешении; – полосе захвата – размере одномоментно регистрируемого участка поверхности Земли. Долгое время основным параметром, определяющим тенденции в развитии съемочных систем, являлось пространственное разрешение, т.е. стремление со все большей точностью получать информацию о геометрической форме наблюдаемых объектов и фиксировать все более малые по площади объекты. Другой важной целью было увеличение полосы захвата.
Еще одной важной характеристикой объектов, которая может быть зафиксирована с помощью бортовой аппаратуры наблюдения Земли, является спектральный состав отраженного излучения. Для этого системы ДЗЗ стали оснащаться несколькими матрицами или линейками приборов с зарядовой связью (ПЗС-матрицами или ПЗС-линейками), на которые излучение попадает после прохождения через светофильтры. В этом случае одновременно фиксируется несколько изображений, полученных в различных спектральных диапазонах, каждое из которых описывает отраженное от поверхности Земли излучение в определенном диапазоне длин волн. По такому принципу осуществляется многозональная съемка, в результате которой формируются многозональные изображения. Такие снимки характеризуются и пространственным, и спектральным разрешением. Последнее описывает, с какой детальностью получена информация о распределении энергии излучения в зависимости от длины волны. Каждый элемент (пиксель) многозонального изображения представляет собой вектор отсчетов яркости, каждый компонент которого описывает зарегистрированное излучение в определенном спектральном диапазоне.
1.1.2. Многозональные снимки позволяют получить базовое (приближенное) представление о спектральных характеристиках объектов земной поверхности. Такие снимки обычно формируются в видимой (400-750 нм), ближней инфракрасной (750-1000 нм) и инфракрасной (1000-10000 нм) спектральных областях. Съемка в видимой области позволяет сформировать "цветное" изображение поверхности Земли как ее видит глаз человека. Информация из ближнего инфракрасного и инфракрасного диапазонов дополняет знания о физико-химических свойствах зарегистрированных объектов (например, их температуру).
Многозональная съемка обычно выполняется в сравнительно небольшом числе спектральных каналов (от 2 до 20). Спектральный диапазон излучения, регистрируемого в каждом канале, также достаточно широкий (50 – 100 нм и более). Кроме того, часто спектральные диапазоны каналов не полностью "покрывают" регистрируемый спектральный диапазон. Так, например, мультиспектральный датчик, установленный на КА SPOT 5 (Франция), выполняет съемку в четырех спектральных диапазонах [62]: 500-590 нм, 610-680 нм, 780-890 нм и 1580 - 1750 нм. То есть на участке спектра от 500 нм до 1750 нм не регистрируется излучение в диапазонах 590-610 нм, 680-780 нм и 890-1580 нм. Несмотря на это, многозональные датчики нашли широкое применение в решении большого круга задач дистанционного зондирования Земли – от метеорологического мониторинга до картографирования полезных ископаемых и классификации объектов наблюдаемой сцены.
В последние годы актуальным направлением дистанционного зондирования Земли является гиперспектральная съемка. Ее можно рассматривать как развитие мультиспектрального зондирования. Гиперспектральная съемка Земли обычно осуществляется в спектральном диапазоне от 400 нм до 2500 нм. В данном случае излучение регистрируется в нескольких сотнях спектральных каналов, спектральный диапазон каждого из которых составляет от 1 до 10 нм. Гиперспектральная съемка осуществляется таким образом, чтобы спектральные каналы полностью "покрывали" заданный спектральный диапазон, часто даже с перекрытием (когда в нескольких каналах регистрируется излучение в близком или одном и том же участке спектра). Все это позволяет с высокой точностью построить зависимость отраженного от поверхности Земли излучения от длины волны, т.е. получить спектральную характеристику (СХ) излучения. В качестве примера на рисунке 1.1 представлена спектральная характеристика травяного покрова, как она регистрируется при съемке мультиспектрометром (вверху) и гиперспектрометром (внизу): здесь СПЭЯ – спектральная плотность энергетической яркости.
Алгоритм формирования единого гиперкуба данных. Спектральный подход
В задачах обработки данных дистанционного зондирования Земли важное место занимают вопросы выделения границ объектов, представленных на снимке. Решение этой задачи может быть составной частью алгоритма сегментации объектов изображения, либо использоваться для формирования изображений, применяемых для пространственного совмещения сильно отличающихся по спектральному диапазону снимков. Выделение границ объектов тесно связано с определением меры близости между двумя элементами изображения, расположенными на некотором близком расстоянии друг от друга. Традиционно меры близости вычислялись на основе пространственно-яркостных характеристик (распределении яркости по полю изображения) [104]. При обработке многозональных данных появляется дополнительная информация о распределении энергии элементов в зависимости от длины волны в широких спектральных диапазонах. При этом для выделения границ объектов на таких данных либо производится предварительное интегрирование каналов (т.е. формируется одноканальное изображение), которое затем обрабатывается, либо границы выделяются отдельно в каждом канале с последующим объединением результатов.
Гиперспектральная съемка позволяет каждому элементу изображения поставить в соответствие спектральную характеристику, заданную в сотнях спектральных каналов. Наличие такой детальной спектральной характеристики для каждого элемента гиперспектрального снимка позволяет более качественно решить задачу определения меры близости того или иного элемента по отношению к его окружению, так как спектральная характеристика отраженного от объекта излучения зависит от физических свойств этого объекта. В связи с этим выделение границ объектов на гиперспектральном снимке потенциально может дать лучшие результаты, по сравнению с анализом гра 59 ниц объектов на панхроматических и многозональных данных [29, 99].
Однако применение традиционных методов выделения границ на гиперспектральных изображениях затруднено, вследствие того, что, как было указано в разделе 1, в отдельных каналах ГСИ значительные искажения вносит шум, к влиянию которого крайне чувствительны пространственные меры сходства. 2.4.2. Рассмотрим три частотно-пространственные меры сходства двух соседних по строке точек ГСИ – среднеквадратическую, корреляционную и спектрально-угловую [106], соответственно описываются следующими выражениями для двух точек ГСИ [29, 33, 99]:
Мера (2.35) описывает среднеквадратическую разность между отсчетами СХ в соответствующих спектральных каналах для точек ГСИ с координатами (т,п) и(т + \,п). Мера (2.36) численно равна коэффициенту корреляции СХ двух соседних точек ГСИ. Мера (2.37) вычисляется как угол между векторами, образованными значениями СХ в К -мерном спектральном пространстве.
С помощью линейных преобразований отсчетов СХ мера (2.35) может быть преобразована к (2.36) [29]. Рассмотрим две спектральные характеристики, соответствующие двум точкам Втп и Вт+1п ГСИ. Отсчеты этих спек 60 тральных характеристик могут быть приведены к одному среднему значению В и СКО т, оцененным по всему ГСИ. Эта операция может быть выполнена путем линейных преобразований отсчетов Втпк и Вт+Хпк этих СХ в отсчеты
Равенство (2.44) описывает связь между среднеквадратической мерой Д гаи, рассчитываемой по формуле (2.41), и корреляционной мерой ртп, определяемой (2.36).
Важной оценкой эффективности рассмотренных мер (2.35), (2.36), (2.37) является определение степени влияния на них аддитивного некоррелированного шума. Такая модель шума является вполне адекватной и обоснована в ряде работ, например в [82]. Если сравниваемые отсчеты СХ подвержены аддитивному шуму с дисперсией D рассмотренные меры принимают вид:
Для применения рассмотренных мер при выделении границ объектов необходимо распространить их на случай оценки сходства элемента снимка с его ближайшим окружением. Для этого можно использовать традиционные операторы (градиента, Собела, Кирша и др.), которые являются определенными функционалами от разности яркостей анализируемого элемента и его окружающими [103, 104]. При анализе ГСИ предлагается использовать те же функционалы, но относительно не разности яркостей, а относительно мер сходства СХ (2.35) - (2.37).
Если ртп 0, то имеет место «обратная» корреляция. В этом случае анализируемые объекты имеют инверсные по форме СХ и по физическим соображениям можно считать, что объекты различны. Поэтому при ртп 0 величина меры принимается ртп = 0.
Таким образом, при контурной обработке гиперспектральных изображений сопоставляются спектральные характеристики соседних точек, в то время как в традиционных алгоритмах - их яркости. Аналогичным образом можно определить операторы выделения границ на основе мер (2.35) - (2.37).
На рисунке 2.5 в качестве примера представлены результаты выделения границ на гиперспектральном изображении с использованием оператора градиента, основанного на анализе яркостей (рисунок 2.5, слева) и СХ (рисунок 2.5, справа). Как видим, использование оператора градиента корреляции спектральных характеристик дает качественно лучший результат.
Технология координатно-спектрального совмещения материалов гиперспектральной и многозональной съемки Земли
При сравнении рассмотренных алгоритмов важным вопросом является численная оценка качества комплексирования. Поскольку целью комплексирования является повышение четкости отображения объектов, то для оценки качества этого процесса в работе [117] предложено использовать степень сохранения градиентов яркости по отношению к исходным изображениям. В настоящей работе предлагается оценивать не степень сохранения, а степень улучшения градиента.
Степень улучшения модуля градиента в точке (т,п) при переходе от изображения А к изображению F, определим как где gF(m,n) - модуль градиента в точке (ти,и) (результат обработки изображения F оператором Собела).
Мера, оценивающая степень сохранения направления градиента при переходе от изображения к изображению F определяется как где aF - направление градиента; SF(m,n) элемент (т,п) изображения, отфильтрованного вертикальным окном оператора Собела; S(m,п) - элемент (т,п) изображения, отфильтрованного горизонтальным окном оператора Собела. В [117] предлагается использовать нелинейные функции QAF и QAF, учитывающие чувствительность глаза к изменениям модуля GAF(x,y) и направления AAF(m,n) градиента. В этом случае: QAF(m,n)= (min)Qf(min). (3.15)
Величина Q є {O.O, l.O}, при этом 0 означает полную потерю информации, 1 - стопроцентное сохранение градиента. По всему полю изображения, в случае сравнения двух исходных снимков АиВ с результатом F, мера рассчитывается как взвешенная сумма: информативность элемента (ти,л) на изображении А В качестве информативности в [117] предлагается принять значение градиента в точке (т,п).
Следует отметить, что при комплексировании видеоданных может наблюдаться изменение абсолютных значений кодов яркости пикселей. В этом случае для оценки с помощью меры QABIF необходимо привести изображения , В и F к единому яркостному диапазону. Тогда с помощью меры QMIF можно оценить не абсолютные изменения градиента яркости, а их относительные значения.
Для оценки по мере QABIF качества комплексирования К -каналов гиперспектрального изображения ее необходимо распространить на случай К -исходных изображений: где QkF(m,n) - степень сохранения модуля и направления градиента между результатом комплексирования F и k-м каналом исходного ГСИ; сок(т,п) -информативность элемента (т,п) в к-м канале исходного ГСИ. 3.4.2. В работе [118] рассмотрено использование индекса Wang-Bovic для оценки качества комплексирования ГСИ и многозонального изображения: где х и у - сравниваемые изображения; pXY коэффициент корреляции изображений х и у; х, у - средние яркости изображений; ах , ау - СКО яркостей. Значения индекса QWB лежат в диапазоне [-1, і] . Для сравнения двух ГСИ: А = канала, интегральная величина QWB может быть оценена как: QWB{AB)= — YJQWB{Ak,Bk). и.19) Для оценки качества повышения детальности ГСИ с помощью индекса QWB необходимо наличие эталонного гиперспектрального снимка с пространственным разрешением высокодетального многозонального изображения. На практике такое эталонное ГСИ отсутствует. Поэтому в работе [114] предложена мера: корреляции видеоданных р-го канала многозонального изображения D и соответствующего ему к -го канала результата комплексирования D . Особенностью меры Qps является то, что первый множитель выражения (3.20) описывает сохранение спектральных свойств на результате комплексирования по сравнению с исходным ГСИ, а второй множитель (3.20) - сохранение пространственных характеристик по сравнению с высокодетальным многозо 88 нальным снимком. Это позволяет независимо оценивать степень сохранения частотных и пространственных признаков в процессе комплексирования.
В работе [120] для оценки качества комплексирования панхроматических и многозональных изображений предложен индекс ERGAS. Его можно распространить на случай оценки результата комплексирования гиперспектральных и многозональных данных следующим образом: ре зультат интерполяции в частой решетке (г, s) исходного ГСИ В;Вк- средняя яркость в к-м канале ГСИ В; h, I - пространственные разрешения высокодетального многозонального снимка и исходного ГСИ соответственно.
Другим подходом [47] к оценке эффективности алгоритмов ком-плексирования гиперспектральных и многозональных снимков является синтез на основе эталонного ГСИ исходных данных: ГСИ низкого разрешения и многозонального изображения высокого разрешения. Затем синтезированные данные обрабатываются и результат сравнивается с исходным эталонным ГСИ. Схема такого подхода приведена на рисунке 3.8. где S (к) - спектральная чувствительность моделируемого многозонального датчика, может быть выбрана в соответствии с известной чувствительностью существующего прибора либо принята как др{к)=\. Затем ГСИ В комплексируется с D и формируется результат D" = [в"р, г = ГД s = ГД р = \Р . Оценка эффективности алгоритма комплексирования выполняется на основе сравнения D и В с использованием какой-либо меры сходства СХ, например спектрального угла [106]. В этом случае мера качества определяется как
Мера (3.23) оценивает эффективность алгоритмов комплексирования для случая идеально простанственно-спектрально совмещенного ГСИ и многозонального изображения. Поэтому получаемые оценки несколько завышены по сравнению с обработкой натурной информации. 3.4.5. Для оценки качества комплексирования спектральных каналов ГСИ можно использовать приведенные выше меры. При этом вместо многозонального изображения с каналами исходного ГСИ сравнивается результат комплексирования.
В [121] рассмотрена мера «Коэффициент комплексирования», основанная на оценке взаимной информации каналов исходного ГСИ и результата комплексирования: где м(вк,В ) - взаимная информация изображений -го канала Вк ГСИ В и результата комплексирования В ; Н(Вк)- энтропия изображения Вк. Методика расчета взаимной информации по изображениям приведена, например, в [122].
Численные оценки предложенных алгоритмов комплексирования спек-трозональных каналов ГСИ и комплексирования ГСИ с высокодетальными снимками по представленным мерам приведены в разделе 4. ОСНОВНЫЕ РЕЗУЛЬТАТЫ
1. Рассмотрена задача комплексирования данных из различных спектральных диапазонов гиперспектрального снимка с целью формирования нового изображения, на котором с высокой четкостью отображаются все объекты, представленные в отдельных спектральных каналах. Предложены подходы к решению этой задачи.
2. Исследована технология координатно-спектрального совмещения материалов гиперспектральной и многозональной съемки Земли. Предложены алгоритмы решения задачи совмещения на основе уточнения взаимного пространственного расположения совмещаемых данных и спектрального совмещения.
3. Предложен алгоритм повышения детальности гиперспектральных данных на основе комплексирования ГСИ и высокодетальных многозональных снимков, основанный на идее спектрального разделения элементов ГСИ.
4. Рассмотрены подходы к оценке качества алгоритмов комплексиро-вания гиперспектральных изображений. Приведены специализированные меры, позволяющие выполнить численную оценку эффективности алгоритмов объединения информации из различных спектральных диапазонов ГСИ и комплексирования ГСИ с высокодетальными данными.
Экспериментальные исследования алгоритмов комплексирования ГСИ
В рамках создания космической системы «Реусрс-П», определенной Федеральными космическими программами России на 2006 – 2015 гг., а также ее проектом на 2016 – 2025 гг., велось и продолжается проектирование наземных средств обработки ГСИ. Это новое перспективное направление дистанционных исследований Земли. Начиная с 2006 года, по хоздоговорам с Самарским Ракетно-космическим центром «Прогресс» Рязанским государственным радиотехническим университетом (НИИ «Фотон») ведется создание средств предварительной обработки гиперспектральной информации.
Технологическая линия обработки гиперспектральных данных, получаемых ГСА космической системы «Ресурс-П», схематически приведена на рисунке 4.22.
Гиперспектральная информация - распаковка пакетов информации от ГСА;- преобразование потокаданных ГСА в стандартныйрастровый формат;- формирование файловсопровождающей информации - радиометрическая коррекция;- атмосферная коррекция;- геопривязка;- трансформирование вкартпроекцию;- мозаика ГСИ уровня 1, 2, 3 і ГСИ уровня 4 і АРМкомплексирования АРМ инструментария по тематической обработке
Снимки «Геотон» - комплексирование гипер-спектральных данных с видеоданными от других съемочных систем КА «Ресурс-П» - сегментация и классификация объектов;- преобразование потока
На автоматизированном рабочем месте (АРМ) первичной обработки выполняется распаковка поступающих от КА «Ресурс-П» информационных пакетов и формируются растровые файлы гиперспектральных изображений и сопровождающая их информация, необходимая для дальнейшей обработки ГСИ.
На АРМ создания стандартных продуктов осуществляется радиометрическая коррекция ГСИ с использованием коэффициентов, получаемых с помощью калибровочной аппаратуры из состава ГСА. Методическое обеспечение этого этапа обработки предоставлено разработчиком ГСА – Красногорским заводом им. С.А. Зверева. Следующим этапом обработки является объединение информации от ОЭП 1 и ОЭП 2 с целью формирования единого гиперспектрального изображения. После этого выполняется атмосферная коррекция (с привлечением модели переноса излучения в атмосфере разработки ИФА РАН), геопривязка и трансформирование в картпроекцию, а также формирование мозаик из нескольких ГСИ. Выходными данными АРМ создания стандартных продуктов являются ГСИ, обработанные до уровней 1-3 (см. раздел 1).
АРМ комплексирования осуществляет объединение гиперспектральной информации с видеоданными от высокодетального многозонального датчика «Геотон-Л1», в результате чего формируются стандартные продукты уровня 4. АРМ инструментария тематической обработки содержит средства тематического анализа гиперспектральной информации уровней 1 - 4. модуль выделения на гиперспектральных изображениях границ объектов с использованием частотно-пространственных мер; – модуль комплексирования данных из различных спектральных диапазонов гиперспектрального изображения; – модуль комплексирования ГСИ и высокодетальных многозональных изображений с целью повышения детальности гиперспектральных данных.
Перечисленные программные модули разработаны на объектно-ориентированном языке C++ с использованием среды разработки Microsoft Visual Studio 2010 и предназначены для использования в составе специального программного обеспечения (СПО) создания стандартных продуктов ГСИ (работающего на АРМ создания стандартных продуктов) и СПО комплекси-рования информации (работающего на АРМ комплексирования). Все модули функционируют в унифицированной среде: входными и выходными данными являются универсальные объекты типа «Изображение» (включающие описание и растровые данные). Средства СПО предоставляют функции открытия ГСИ, визуализации данных и сохранения результатов. Такая архитектура позволяет подключать и отключать требуемые модули обработки, а также составлять из них технологические цепочки, где выходные данные одного модуля поступают на вход следующего.
В настоящее время средства предварительной обработки ГСИ введены в штатную эксплуатацию в Научном центре оперативного мониторинга Земли АО «Российские космические системы» (г. Москва) и в Ракетно-космическом центре «Прогресс» (г. Самара). Идет развитие этих средств применительно к новым проектам создания более совершенной аппаратуры гиперспектральной съемки Земли.