ГИС идистанционное зондирование

Данные дистанционного зондирования (ДДЗ) — важнейший источник оперативной и современной информации о природной среде для тематических слоев в ГИС, для поддержания данных в актуальном состоянии и других целей.

При изучении земной поверхности дистанционными методами носителем информации об объектах[VII] является их излучение, как собственное, так и отраженное (см. 2.1.1). Фиксируемые характеристики излучения зависят от пространственного положения, свойств и состояния объекта, что и способствует его дистанционной идентификации.

Большую часть данных дистанционного зондирования составляют снимки, которые дают возможность получения сведений об объекте в виде изображения в цифровой (данные, передаваемые на наземную станцию, как правило, по радиоканалам или фиксируемые на борту на магнитных носителях) или аналоговой (фотографии) формах. Цифровые данные представляют интегральное излучение площадки на земной поверхности, соответствующей элементу изображения — пикселу. Если измерения ведутся в нескольких различных частях электромагнитного спектра — спектральных зонах, то такие снимки называются многозональными (рис. 32).

Отраженное излучение характеризует отражательную способность объекта, представляемую значениями спектральной плотности энергетической яркости, которую измеряют с помощью дистанционного датчика. Получаемые в результате величины переводятся в дискретные безразмерные цифровые значения, соответствующие характеристикам отражательной способности. В отечественной литературе они называются коэффициентами спектраль-

Рис.

ной яркости или короче — спектральной яркостью. Записанные посредством регистрирующего устройства цифровые значения изменяются в пределах радиометрического битового диапазона, ширина которого зависит от характеристик датчика — обычно это интервал 0—255. На изображении эти значения соответствуют оттенкам серой шкалы: 0 представляет абсолютно черный объект, 255 — абсолютно белый, а промежуточные значения соответствуют различным оттенкам серого цвета. Таким образом, детектор любого спутникового датчика регистрирует определенную часть электромагнитного спектра, а получаемые им спектральные яркости занимают часть битового диапазона.

Изучение характеристик отражательной способности дает теоретическую основу для интерпретации объектов по набору их спектральных яркостей или их отношениям. В этой области классическими являются исследования Е.Л.Кринова [Е. Л. Кринов, 1947), разработавшего спектрометрическую классификацию природных образований в видимой области спектра, которые затем были продолжены и в инфракрасную (ИК) область. Все многообразие объектов ландшафта он разделил на четыре класса, каждый из которых отличается своеобразной кривой спектральной яркости (рис. 33) (Ю. Ф. Книжников, 1997]: класс — горные породы и почвы — характеризуется увеличением спектральных яркостей по мере приближения к красной зоне спектра; класс — растительный покров — отличается характерным максимумом отражательной способности в зеленой, минимумом — в красной и резким увеличением отражения в ближней инфракрасной зонах. В зеленой и красной зонах такое поведение связано соответственно с отражением и поглощением лучей хлорофиллом, а большие значения в ИК-зоне объясняются пропусканием инфракрасных лучей хлорофиллом и отражением их внутренними тканями листьев, т.е. зависит от структуры лиственного покрова.

Рис. 33. Спектральная отражательная способность основных классов природных объектов (серым цветом показаны зоны атмосферного поглощения)

класс — водные поверхности — характеризуются монотонным уменьшением отражательной способности от сине-фиолетовой к красной зоне спектра, поскольку с увеличением длины волны сильнее поглощаются водой;

ГУ класс — снежные поверхности и близкие к ним облака — обладают наиболее высокими значениями спектральной яркости с небольшим их понижением в ближней ИК-зоне.

Спектральная отражательная способность различается и у объектов одного класса, что связано с различными факторами: экологическое состояние объекта, увлажненность, гранулометрический состав и т. п. Многозональные снимки отражают специфику различных объектов, проявляющуюся в отражении в каждой из узких зон. Системы получения данных ДЗ проектируют так, чтобы фиксировать эту специфику, но в разных системах выбирают разные наборы зон и разные значения в их пределах с учетом, назначения съемок. В видимой области спектра специфика проявляется и в цветовых различиях.

На цифровых радиолокационных снимках, получаемых в диапазоне 1 мм—1 м, фиксируется структура («шероховатость») поверхности, а цифровые значения соответствуют разности высот поверхности, включая рельеф и микрорельеф, высоты объектов (деревьев, травы и т.п.). По таким снимкам изучают поверхностные загрязнения и поведение вод океанов, озер и других водных

бассейнов, а также структуру их дна, поскольку поверхностные вихри, зыбь и волны во многом зависят от его характера.

Исследования показывают, что комбинирование данных радиолокации и полученных в видимой и ИК-областях спектра обеспечивают более полную картину земной поверхности, что существенно расширяет сферу их применения.

Изображения, полученные сканированием. Фотографические снимки необходимо для обработки переводить в цифровую форму. Для этого, так же как и при цифровании карт, используют сканеры. Цифровые копии зональных снимков, представленных в виде негативов на фотопленке или отпечатков на бумаге получают сканированием каждого кадра. К кодированию фотографической плотности зональных снимков нужно подходить очень осторожно, с тем чтобы не нарушить зонального соотношения ее значений (многие сканеры автоматически растягивают значения до интервала О— 255). Вторая проблема — геометрическое (попиксельное) совмещение отсканированных изображений. Три совмещенных сканированных зональных снимка можно программно скомбинировать для получения цветного изображения.

К характеристикам, определяющим дешифровочные возможности снимков, относятся показатели разрешения данных съемки. В дистанционном зондировании разрешение — это мера способности оптической системы различать сигналы, которые пространственно близки или спектрально подобны. Выделяют четыре различных типа разрешения: спектральное — определяемое характерными интервалами длин волн электромагнитного спектра, к которым чувствителен датчик; пространственное — определяемое линейным размером области (площадки) на земной поверхности, представляемой каждым пикселом; радиометрическое (.яркостное) — число возможных кодированных значений (уровней квантования) спектральной яркости в файле данных для каждой зоны спектра, указываемое числом бит; временное — определяемое частотой получения снимков конкретной области.

Каждый из этих четырех типов содержит специфическую информацию, которую можно выделить из необработанных данных.

Спектральное разрешение соответствует числу и размеру зон съемки и зависит от параметров съемочной системы. Зона может быть широкой, как одна зона черно-белого панхроматического снимка (0,4—0,7 мкм), или достаточно узкой, как, например, красная зона снимка Ландсат ТМ (0,63—0,69 мкм).

Чем шире зона электромагнитного спектра, тем ниже спектральное разрешение. Четкое выделение спектральных зон повышает вероятность того, что интересующий объект будет идентифицирован.

Рис. 34. Характеристики пространственного разрешения:

а — геометрически показана связь разрешения на местности и параметров съемочной системы (/ — фокусное расстояние; w — линейный размер детектора; 1FOV — мгновенный угол зрения; Н — высота полета; гм — разрешение на местности); б — связь размера и яркости объекта местности с размером пиксела

Пространственное разрешение — это минимальная угловая или линейная величина изобразившегося объекта местности и зафиксированная пикселом (рис.

Радиометрическое разрешение определяется чувствительностью детекторов к различиям в значениях спектральной плотности энергетической яркости отраженного от поверхности сигнала и фиксируется набором четко дифференцированных уровней квантования битового динамического диапазона. Количество уровней — число бит — определяет число возможных значений в цифровой записи каждой зоны снимка (в файле данных). Оно связано с технологическими параметрами датчиков и характеризует максимальный диапазон изменения «сырых» (необработанных) значений спектральной яркости. Например, при 8-битовом радиометрическом разрешении значения спектральной яркости могут изменяться от О до 255, а при 7-битовом — от 0 до 127.

Временное разрешение определяет, как часто датчик получает изображение конкретной области. Например, спутник Ландсат может обозревать одну и ту же область Земли один раз каждые 16

а              б

Рис. 35. Структура данных съемки:

а — четыре типа разрешения данных представлены на примере снимка Ландсат ТМ в зоне 2; б — растровые координаты

дней, a SPOT — один раз каждый день. Временнбе разрешение является важным фактором при изучении и обнаружении изменений на территории. Рис. 35, а иллюстрирует все четыре типа разрешения данных дистанционного зондирования ЩЗ).

Числовые типы данных. Стандартный числовой тип записей цифровых снимков — бинарный байтовый, что соответствует правилам кодирования спектральной яркости.

Интегрирование в одной системе двух типов данных — растровых и векторных — основное преимущество ГИС-пакетов, включающих процедуры обработки изображений. Совместное использование растровых и векторных слоев способствует: более достоверному определению признаков объектов, изобразившихся на снимке;              * добавлению к спектральным признакам других атрибутов объектов; обеспечению атрибутивной информацией, полученной по снимкам объектов векторной карты.

Векторное цифрование объектов по снимку (цифрование по растровой подложке) применяют для: выделения дорог, водоемов, изолиний, границ административных районов; выбора эталонов для классификации объектов; выделения границ представляющих интерес областей для использования в разных задачах.

Данные координатной привязки обычно хранятся в заголовке файла изображения, который может быть началом записи файла, или представляться отдельным файлом. Как известно, в растровых ГИС-пакетах используются две основные системы координат: растровые (или файловые) координаты, показывающие местоположение пиксела в пределах изображения или файла данных; прямоугольные или географические координаты, показывающие место пиксела на карте.

Растровые координаты определяют место пикселов в упорядоченной сетке строк и столбцов. Они выражаются либо в номерах строк и столбцов, либо в плоских координатах (X, Y), где координата X соответствует столбцу сетки, Y — строке. Как правило, координаты (0, 0) в первом случае имеет пиксел в левом верхнем углу изображения, во втором — это пиксел в левом нижнем углу, а значения координат других пикселов определяют с учетом размера пиксела (пространственного разрешения) (рис. 35, б).

Географические или прямоугольные координаты задают положение пикселов либо в значениях географических координат (lt;рД), либо в плоской системе координат карты заданной проекции. Тип используемых координат определяется способом формирования файла (дистанционное зондирование, сканирование существующей карты и т.п.). Часто космические снимки в пунктах приема и обработки снабжаются информацией о географических координатах углов кадров. Систему координат файла изображения можно преобразовать в систему координат выбранной карты (трансформировать) программными средствами ГИС-пакета, т.е. получить геоко- днрованные данные.

Форматы хранения данных. Для того чтобы правильно воспроизвести изображения по цифровым записям, поставляемым пунктами приема информации, необходимо знать формат записи (структуру данных), а также число его строк и столбцов. Используют четыре формата, которые упорядочивают данные изображений как: последовательность зон (Band Sequential, BSQ);

. зоны, чередующиеся по строкам (Band Interleaved by Line, BIL); зоны, чередующиеся по пикселам (Band Interleaved by Pixel, BIP); последовательность зон со сжатием информации в файле методом группового кодирования (например, в формате .jpg).

Системы обработки данных дистанционного зондирования включают те же основные подсистемы, что и ГИС: ввод, хранение, обработку и представление результатов. Это способствовало их программно-технологической интеграции с ГИС, в силу чего для работы с аэрокосмической информацией в качестве программного обеспечения используют современные ГИС-пакеты. Разные типы ГИС-паке- тов предоставляют пользователям различные возможности по обработке снимков, обеспечиваемые заложенными в них программными средствами анализа и интерфейса. К ГИС-пакетам со стандартными возможностями относятся Idrisi, MultySpec, среди полнофункциональных ГИС-пакетов выделяются Erdas Imagine, TNTmips, ERMapper, ILWIS, GRASS. С точки зрения возможностей цифровой обработки снимков эти пакеты отличаются в основном набором средств пользовательского интерфейса и их удобством.

Методы цифровой обработки снимков, подробно описанные во многих учебниках [У. Прэтт, 1982; Дистанционное зондирование..., 1983; И. К.Лурье, А.Г.Косиков, 2003; J.R. Jensen, 1996 и др.], подразделяют на две группы: методы, обеспечивающие яркостные и геометрические преобразования снимков, используются для облегчения и повышения объективности и достоверности визуального дешифрирования, для преобразования снимков с целью устранения яркостных или геометрических искажений, трансформирования их в заданную систему координат и подготовки к последующему дешифрированию и созданию карты; методы автоматизированной классификации объектов по снимкам с использованием априорной информации о признаках выделяемых классов или без нее.

Яркостные преобразования предусматривают: квантование диапазона спектральных яркостей снимка (аналог шкалирования); цветной синтез и цветокодирование, выделение контуров заданной контрастности, фильтрацию значений яркости (сглаживание) и другие приемы. Такие процедуры есть во многих растровых ГИС- пакетах (Erdas, Idrisi и др.)

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 свойствах и признаках.

Методы спектрального улучшения изображений реализуют с учетом только индивидуальных значений яркости пикселов в пределах каждой зоны спектра. В их основе лежит анализ и преобразо-

Рис. 36. Улучшающие преобразования:

а — повышение контраста и фильтрация; б — кусочно-линейное повышение

контраста; в — выполнение операции фильтрации, скользящее окно представ-

ляет среднеарифметический фильтр

вание 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 объектов. Среди наиболее часто используемых методов следует выделить следующие: повышение контраста — линейное, нелинейное и кусочнолинейное преобразование гистограммы; эквализация гистограммы — перераспределение значений всех пикселов в пределах радиометрического диапазона; подгонка гистограмм — согласование значений пикселов изображений в двух зонах по их гистограммам; инверсия изображения — получение изображений с обратным контрастом относительно исходного.

Повышение контраста иллюстрирует рис. 36, а. График преобразования показывает на вертикальной оси увеличение контраста значений яркости пикселов исходного изображения в пределах диапазона, отмеченного фигурной скобкой на горизонтальной оси гистограммы: достаточно узкий диапазон исходных данных растянут в более широкий диапазон для выходных данных/ Такой процесс во многих ГИС-пакетах называют растяжением контраста (от англ, stretch). Изображение становится четко видимым на экране, а для расширения исходного диапазона используют соотношение:

Вп =              х 255/(2U - BmJ,              (3.1)

где В — яркость исходного снимка (или DN); В„ — значение, полу-

ченное после пересчета; Вт1П и Z?max — минимальное и максималь-

ное значения яркости в зоне (для идентификации такого преобра-

зования используют аббревиатуру MIN-MAX).

Базовой операцией пространственных преобразований — фильтрации — является анализ информации в пределах скользящего по изображению окна, размером 3 х 3, 5 х 5 пикселов и т.п. Операцию применяют к пикселу, находящемуся в центре окна. Его значение пересчитывается с использованием заданной функции от значений окружающих ближайших соседей (рис. 36, б). Затем окно сдвигается на один пиксел вдоль строки изображения до достижения ее конца, после чего смещают окно на одну строку.

Координатная привязка и трансформирование изображений. Процедуры геометрической коррекции снимков выполняют для того, чтобы изображение земной поверхности было правильно представлено на плоскости и имело свойства карты. Необработанные снимки, получаемые со спутников и самолетов, являются плоскими изображениями, создаваемыми системами съемки, но даже для кажущейся ровной поверхности искажены за счет кривизны поверхности Земли и применяемого датчика.              .

Решение многих задач требует предварительного выполнения трансформирования. Среди них можно выделить следующие: выявление изменений на разных снимках одной территории, когда требуется попиксельное сопоставление изображений; создание мозаик изображений и фотокарт; использование снимков в ГИС, в том числе совместно с векторными изображениями; получение точных величин расстояний и площадей; выполнение географического анализа, требующего точной локализации данных.

Для выбора оптимальной картографической проекции и координатной сетки следует определить преимущественные направления использования всех снимков или базы пространственных данных. Во многих базах векторных пространственных данных используют географическую (сфероидальную) систему координат (lt;р,Х), причем параметры сфероидов могут быть разными. Плоские изображения на снимках обычно не трансформируют в эту координатную систему, хотя эго можно сделать.

Для коррекции смещений изображений объектов местности за счет рельефа при наличии ЦМР применяют операцию ортотрансформирования, которую рекомендуется выполнять для снимков гористой местности или фотоснимков строений, если требуется высокая степень точности координирования.

Различают два основных случая применения трансформирования системы координат снимка:

1) сетка строк и столбцов пиксельного изображения должна быть изменена в соответствии с выбранной в исследовании проекцией и системой координат, например, базовой карты;

2) сетка исходного изображения должна быть изменена в соответствии с сеткой эталонного изображения. '

Чаще всего трансформирование используют для преобразования несопоставимых изображений в одну и ту же картографическую сетку координат. Однако для того, чтобы иметь возможность совместного использования или сопоставления отдельных изображений, можно привести в соответствие только их сетки строк и столбцов. При этом необязательно применять картографическую проекцию.

При отсутствии искажений изображения трансформирование выполнять не обязательно. Например, при сканировании снимка или карты в нужной проекции изображение уже плоское и не требует трансформирования, если нет некоторых смещений или поворотов и материалы имеют хорошее качество. В этом случае необходимо выполнить только геокодирование (геоэталонирование) снимка. Для этого часто достаточно откорректировать заголовок файла изображения путем указания прямоугольных координат верхнего левого угла изображения и размера пиксела (соответственно, области, представляемой пикселом). Сетка изображения при этом не изменяется.

В общем случае, при неопределенных свойствах изображений их трансформирование из одной системы координат в другую выполняют с помощью полиномов п-й степени. Они позволяют рассчитать координаты новой сетки строк и столбцов для пикселов исходного изображения по координатам заданных контрольных точек. Но чтобы сохранить зафиксированную снимком яркостную структуру изображения, значения яркости трансформированных пикселов должны быть переопределены (подвергнуты ресамплингу — от названия программы Resampl) в соответствии с новой сеткой.

В некоторых ГИС-пакетах, чтобы подчеркнуть различия указанных выше двух случаев применения трансформирования, для них вводят разные наименования — ректификация и регистрация соответственно. Однако оба типа используют аналогичные наборы процедур, независимо от конкретного приложения: выбор способа трансформирования; локализацию контрольных точек (наземных или с эталонного снимка); расчет ошибок и оценку результатов трансформирования; переопределение значений пикселов и создание выходного файла изображения с новой информацией о координатах в заголовке файла.

Основные правила отбора контрольных точек заключаются в следующем:

• их число должно быть достаточным для выбранного способа трансформирования и удовлетворять соотношению N t (п + 1)(л + 2)/2 (и — степень полинома);

. точки должны располагаться равномерно по всему полю изображения, чем равномернее распределение точек, тем надежнее результаты трансформирования;

• не следует использовать изменчивые объекты местности, такие как берега озер или других водоемов, границы растительности и т.п.

В большинстве случаев при трансформировании не требуется ни полного совпадения всех исходных и ретрансформированных контрольных точек, ни высокой степени полиномов. Оправданный и широко распространенный способ — установление параметра допуска среднеквадратической ошибки, определяемой по формуле

(3.2)

для каждой эталонной точки с координатами (и, v) (рис. 37).

Следующая процедура — создание выходного файла изображения при сохранении яркостной структуры исходного изображения. При этом необходимо переопределить значения яркости пикселов в соответствии с их новым положением, так как сетка пикселов в исходном изображении может иметь другое разрешение и направление осей (рис. 38). Согласно растровой технологии трансформированное изображение заполняется пиксел за пикселом построчно. Процедура переопределения значений пикселов состоит в извлечении значения яркости пиксела исходного изображения с координатами (и, v) и присвоении его пикселу, находящемуся в подходящей точке с координатами (х,у) в новой сетке. Так, например, на рис. 38 пиксел трансформированного изображения с координатами (5,4) в эталонной сетке соответствует координатам (2,4; 2,7) в сетке исходного изображения, в которых значение яркости неопределенно. Его определяют путем интерполяции, используя один из методов: метод ближайшего соседа, билинейной или кубической интерполяции.

Другого вида проблема, связанная с трансформированием изображений, возникает при изучении больших участков местности, представленных несколькими снимками, возможно полученными разными системами или в разное время. Процедура комбинирования снимков для создания одного файла изображения называется созданием мозаики. Выполнение этой процедуры связано с решением нескольких задач: совмещение снимков по координатам, выравнивание их яркостного контраста, задание границы (линии сшивки) между соединяемыми изображениями в области их перекрытия, определение значений яркости пикселов в области перекрытия, создание результирующего изображения.

Дешифрирование изображений — основная задача при использовании снимков для исследований геосистем. Оно включает распознавание объектов (выявление объектов на снимке) и отнесе-

ние их к некоторому типу; измерение — определение размеров, расстояний между объектами, количества объектов на единицу площади и т.п.

Географическое дешифрирование основывается обычно на систематическом обследовании объектов, на изображении в сочетании с разнообразными дополнительными данными.

Дешифровочными признаками пространственных объектов служат тон, цвет, размер, форма, текстура, рисунок, тень, местоположение, связь с другими элементами. При автоматизированном дешифрировании учитывают обычно лишь несколько признаков: тон, цвет, размер, подразделяя их при этом на яркостные, геометрические и комплексные.

Яркостные признаки являются основными и в большинстве случаев единственными. При обработке многозональных снимков они наиболее удобны, так как каждая точка просматриваемого изображения получает многомерную числовую характеристику — набор спектральных признаков. Известно, что разные природные объекты обладают специфическими спектральными характеристиками, связанными с их отражательной способностью- Однако эти признаки не вполне надежны. Яркость искажается при фотообработке, зависит от освещенности объекта, т.е. высоты Солнца, времени суток и года, состояния атмосферы, угла поля зрения съемочной системы, рельефа местности и т.п. Это ведет к неоднозначному соответствию объекта и его яркостных признаков, что в конечном счете снижает достоверность дешифрирования. Кроме того, спектральные признаки разных объектов могут частично совпадать и перекрываться.

Геометрические признаки — это форма (линейная, плоская, объемная), размер, топологические свойства объектов (например, связность, число промежутков). Геометрические признаки используют значительно реже яркостных, так как их довольно трудно формализовать.

Комплексные признаки — это специфическое сочетание яркостных и геометрических признаков, определяющее структуру (текстуру) изображенных на снимке объектов. Они наиболее эффективны и устойчивы, хотя и трудно формализуемы. Косвенно их используют в алгоритмах классификации с обучением, осуществляемой по эталонам (тестовым участкам).

К дополнительным источникам данных относятся карты, фенологические справочники, информация о деятельности человека на исследуемой территории. Такая информация может содержаться в различных слоях БД ГИС. Специалисты используют все эти элементы, а также свои навыки и знания в смежных областях.

Преобразования исходных признаков.

Синтезирование цветного изображения. Для выполнения этой процедуры выбирают три зональных изображения, каждое из которых рассматривают как красную, зеленую и синюю составляющую палитры RGB. В общем виде эту процедуру (во многих Госпакетах она носит название COMPOSIT) можно выразить соотношением

lt;              (3.3)

где С — синтезированное значение; R, G, В — зональные компоненты; а,, а2 и а}— некоторые коэффициенты.

Коэффициенты иногда определяют экспериментально, с тем чтобы учесть параметры съемки и характерные особенности объектов дешифрирования. Но чаще пользуются стандартными процедурами, предоставляемыми программными пакетами. В тех из них, которые работают с 8-битовыми изображениями (например, IDRISI), каждое из изображений-компонент квантуется на 6 градаций, при этом диапазон изменения яркости на них сокращается до 32 значений, с тем чтобы в синтезированном изображении значение пиксела не превысило 2SS (в одном байте каждой компоненте отводят 6 бит и в результате получают 6x6x6 = 216 значений цвета). В пакетах, работающих с 24-битовыми изображениями, для каждой компоненты отводится байт.

Для отображения многозональных снимков используют различные комбинации зон, позволяющие создавать цветные изображения, подчеркивающие те или иные особенности объектов. Поскольку такие изображения предназначены в основном для визуализации на экране дисплея (в палитре RGB), комбинации строят с использованием трех зон, порядок которых соответствует красной, зеленой и синей цветовым пушкам монитора.

Обычно используют следующие три стандартные комбинации зон. Красная, зеленая и синяя зоны создают композицию истинного цвета. Истинный цвет означает, что объекты выглядят так, как они должны были бы восприниматься невооруженным глазом (рис. 20 цв. вкл.). Ближняя ИК, красная и зеленая зоны создают композицию ложного цвета. Композиции ложного цвета выглядят аналогично фотоснимку в ИК области спектра, в которой, например, растительность представляется красной, вода — темно-синей или черной и т.д. (рис. 21 цв. вкл.). Средняя ИК, ближняя ИК и зеленая зоны создают композицию псевдопвета. В ней цвет объектов не соответствует естественному: например, дороги могут быть красными, вода — желтой, растительность — синей, т.е. изображаться в произвольной палитре. Такая композиция часто позволяет подчеркнуть цветом различия объектов, что удобно для визуального дешифрирования снимка.

Простое зональное отношение Внк/Вк (Вк и В„к — яркости в красной и ближней инфракрасной зонах) наиболее чувствительно к присутствию растительности, учитывает различия в яркости между растительными и нерастительными объектами, представляет индикатор сомкнутости растительного покрова, но является функцией времени.

Вегетационный индекс. Для его вычисления строят разные эмпирические соотношения этих зон, но чаще используют нормализованный вегетационный индекс

NDVI = (ВИК - ВЖ Вш + Вк).              (3.4)

Он подчеркивает контраст обнаженных пород и почв с зеленой растительностью, позволяет разделить разные типы растительности. Так, для водных объектов он принимает отрицательные значения; для почв, грунтов, сухой растительности близок к нулю; максимальные значения характерны для вегетирующей растительности и разные — для различных состояний растительного покрова. Значения индекса возрастают с развитием зеленой биомассы и уменьшаются с ее усыханием. В то же время одни и те же значения вегетационного индекса могут соответствовать экологически различным категориям естественной и культурной растительности.

Метод главных компонент. Для определения статистически независимых производных признаков классификации, связанных с повышением спектрального контраста изображения, служит преобразование исходных спектральных признаков методом компонентного анализа (см. 2.2.2).

В применении к снимкам процедуру легко пояснить графически на примере двух спектральных зон, демонстрирующих соотно-

Рис. 39. Преобразование спектрального пространства методом главных

компонент:

а — эллипс рассеяния для двух зон В1 и В2\ б — положение осей, соответствующее двум главным компонентам ГК1 и ГК2

шение их значений яркости (рис. 39). Если распределение значений яркости в каждой зоне нормальное или близкое к нормальному, то при отображении на плоскости двух зон это распределение имеет вид облака, называемого эллипсом рассеяния.

При выполнении преобразования методом главных компонент оси спектрального пространства поворачивают так, чтобы новые оси стали параллельны осям эллипса рассеяния. Поэтому первая главная компонента (ГК1 — principal component, PCI) соответствует наибольшей оси эллипса — направлению наибольшего разброса значений яркости. Направление ГК1 задаётся собственным вектором преобразования, а его длина — первым собственным значением (собственные значения преобразования ранжируются по убыванию). Вторая главная компонента ГК2 соответствует наибольшему поперечному сечению эллипса, ортогональному к первой главной компоненте (в двухмерном случае — малой оси эллипса рассеяния). Она отражает значения вариаций данных, которые еще не охвачены первой главной компонентой.

Так как в спектральном пространстве координаты точек являются значениями яркости пикселов в цифровой записи снимка, то в процессе преобразования определяются их новые значения, которые хранятся в создаваемых файлах главных компонент.

Такой метод позволяет получить, например, по четырем исходным зонам снимка четыре новых изображения, ранжированных по убыванию дисперсии яркости (спектрального контраста). При этом в первом изображении (первой главной компоненте) такой контраст максимально подчеркнут, во втором отображаются контуры, на которых происходит смена контраста, а изображения, соответствующие остальным компонентам, содержат, в основном, информацию о различных шумах и систематических погрешностях съемочной системы. Метод главных компонент позволяет уменьшить число анализируемых снимков до трех и подчеркнуть яркостной контраст, что увеличивает различия между объектами в системе новых признаков.

Часто изображения первых трех главных компонент применяют для получения синтезированного изображения. Известно, что такое изображение содержит больше информации, чем любая комбинация трех исходных спектральных зон.

В основе автоматизированного дешифрирования снимков лежит классификация объектов (см. 2.2.2). При этом исходят из того, что каждому пикселу многозонального снимка соответствует набор значений спектральных признаков, или вектор в спектральном пространстве, размерность которого равна числу съемочных зон. Тогда процесс классификации сводится к распределению всех элементов растра по классам в соответствии с отражательной способностью (значением спектральной яркости) каждого объекта в одной или нескольких зонах спектра, например, типов растительности или категорий использования земель.

Трудности классификации связаны, прежде всего, с изменчивостью. Часто классификация бывает неопределенной, поскольку элементы растра могут принадлежать сразу нескольким классам — это так называемые «смешанные элементы». Но в процессе классификации неопределенность игнорируется, и каждый элемент помещается в один из классов. Правило классификации обычно формируют на основе признаков типичных объектов, принадлежность которых к данному классу заранее установлена.

Алгоритмы подразделяют на два типа: алгоритмы контролируемой и неконтролируемой классификации. При контролируемой классификации правила перехода от показателей спектральной яркости к классам объектов вырабатывают на «учебном» (тестовом, эталонном) участке, а затем автоматически применяют и на остальной части снимка. Эти алгоритмы также называют классификацией с обучением. Контролируемую классификацию реализуют с помощью алгоритмов, использующих разные методы учета спектральных характеристик эталонных объектов:              . дискриминантных функций, которые в простейшем случае представляют собой линии, разделяющие объекты на классы, если они не пересекаются в пространстве признаков; минимальных расстояний, когда классифицируемые объекты относят к тому или иному классу, вычисляя евклидово расстояние в пространстве признаков между проверяемыми и эталонными пикселами и относя каждый пиксел к тому классу, до эталона которого это расстояние минимально (рис. 40);

Рис. 40. Метод минимального расстояния

параллелепипеда, когда в признаковом пространстве выделяют замкнутые прямоугольные области, границы которых задают на основе выбора характерных диапазонов по гистограммам распределения яркостей эталонных объектов в двух, трех или более зонах спектра; каждый пиксел снимка относят к тому классу, в чей параллелепипед он попадает по своим значениям яркости; максимального правдоподобия, основанного на статистических оценках характеристик классов объектов. Этот алгоритм применяется наиболее часто. При его реализации для каждого дешифрируемого класса объектов нужно определить две функции условной вероятности, связанные формулой Байеса: P^X/Aj) — правдоподобие класса объектов А, при данном векторе признаков X и P(At/X) — вероятность отнесения пикселов с их вектором признаков X к классу А-, (И. К. Лурье, А. Г. Косиков, 2003]. Первая функция отражает различия в яркостях объектов разных классов, и ее параметры находят путем вычисления статистических характеристик распределения яркостей пикселов в пределах эталонных объектов на снимке — построения обучающих выборок (рис. 41). Процедура классификации относит каждый пиксел с измеренным X к тому объекту, для которого правдоподобие максимально, т.е., согласно байесову решающему правилу, нахождение объекта в заданной области признакового пространства статистически наиболее правдоподобно (отсюда и название «метод максимального правдоподобия»).

Априори предполагается, что распределение спектральных яркостей пикселов объекта на многозональном снимке подчинено нормальному закону. Тогда их распределение в пределах объекта образует многомерные «эллипсы рассеяния» равной вероятности, определяемые условием Р(ЛУД) = const, средними значениями яркости и стандартного отклонения. В большинстве ГИС-пакетов, используемых для выполнения классификации, процедуру обуче-

Рис. 41. Оценка выборок на основе построения эллипсов рассеяния:

а — перекрывающиеся выборки; б — разделимые выборки (А, В, С и D — зоны

исходного снимка; о — стандартное отклонение от средних значений 2-го клас-

са - Ми2 и М«)

ния осуществляют в интерактивном режиме. Дешифровщик опознает на экране монитора эталонные объекты, относящиеся к выделяемым классам; в пределах каждого объекта строят многоугольник (полигон обучающей выборки), полностью вписывающийся в изображение объекта на экране. Границы этих полигонов вводятся в специальную программу, которая вычисляет для каждого класса средние значения Mt и Kj по значениям яркости «, пикселов, попавших в полигон. Такая процедура позволяет обеспечить соответствие измерений обучающих (эталонных) и проверяемых (классифицируемых) объектов. Алгоритмы неконтролируемой классификации (без обучения) реализуют часто методы кластеризации (см. 2.2.2), основанные на так называемых пороговых процедурах. В них предполагается, что первоначальная информация о природных различиях объектов, зафиксированная в спектральных яркостях, достаточна для разделения классов и поэтому можно обойтись без эталонов.

В общем случае при пороговой классификации сравнивают значения яркости двух соседних пикселов снимка. Если их различие

превышает некоторую заранее задан-

ную величину d (порог), то считается, что эти пикселы принадлежат разным объектам и между пикселами проходит разделяющая граница. При таком способе классификации точность обычно невысока, тем не менее при отсутствии априорной информации выполнение этой процедуры целесообразно. Наиболее известен алгоритм ISODATA, который используется во многих растровых ГИС-пакетах.

В результате создается карта кластеризации, а также массив спектральных координат центров кластеров с известным числом пик-

селов в каждом из них. Дешифровщик, используя карту кластеризации, а также дополнительную информацию, может оценить соответствие кластеров классам объектов и принять решение об их объединении в нужные тематические группы (выделы).

В состав программного обеспечения автоматизированной обработки аэрокосмических снимков обычно входит несколько алгоритмов классификаций. Применение того или иного алгоритма определяется наличием априорной информации, качеством самого снимка, решаемой задачей, опытом и интуицией дешифровщика.

Мониторинг и картографирование изменений в природе, хозяйстве и их взаимодействие связаны с составлением карт динамики. Компьютерная реализация этих методов направлена главным образом на обеспечение точного пространственного совмещения разновременных карт, аэро- и космических снимков для извлечения динамической информации.

Прежде всего необходимо определить классы динамических объектов и их временной интервал (сезон, год и т. п.). Приведение снимков (или карт и снимков) к геометрически идентичному виду осуществляют методами, описанными выше, стремясь к тому, чтобы среднеквадратическая ошибка трансформирования не превышала 0,5 пиксела.

Обеспечить спектральную идентичность снимков крайне трудно из-за разнообразия определяющих ее параметров. Сделать разновременные снимки максимально сравнимыми при условии, что сезонные различия минимальны, а облачность отсутствует, позволяет яркостная коррекция.

Подходящие алгоритмические процедуры выявления и картографирования изменений основаны на методах классификации и ГИС-технологиях оверлея. Для оценки точности полученных результатов строят «матрицы динамики» классов объектов, аналогичные матрицам классификации (см. табл. 2.1 в 2.1.4). Наиболее часто применяют следующие операции: создание композиций разновременных снимков за два срока и выделение изменившихся и неизменившихся кластеров пикселов; использование алгебры изображений — вычитание, синтез или вычисление отношений соответствующих зон (после их приведения к единой системе координат и размеру); сопоставление результатов классификации разновременных снимков, полученных путем автоматизированного дешифрирования нужных объектов на геометрически совмещенных снимках; применение бинарных масок — специально создаваемых изображений, содержащих только 0 и 1, которые используют для маскирования неизменившихся или не интересующих дешифровщика объектов, что позволяет выделить изменения; использование карт как источников данных за первую дату, когда результаты съемки сравнивают с картой, составленной на более ранний срок; в этом случае карту сканируют, снимок трансформируют в проекцию карты, выполняют его классификацию, а далее для карты и классифицированного снимка применяют описанные выше операции;

• ручное цифрование классов изменений по экрану — выделение контуров площадных объектов на разновременных картах классификации или на снимках высокого разрешения способом так называемого цифрования по растровой подложке с последующим совмещением полученных векторных карт на одной основе.

На рис. 22 цв. вкл. приведена карта динамики береговой линии Аральского моря, составленная с применением таких операций.

Развитие геоинформационных технологий ведет к попыткам разработать мониторинговые системы, работающие с минимальным участием человека. Они опираются на создание экспертных систем и баз знаний (см. 4.1).

Контрольные вопросы Каковы структура и типы растровых данных, используемых в ГИС? Какие основные процедуры используют при цифровой обработке снимков? Какие сочетания зон создают изображение в натуральных цветах, псевдоцвете? Что такое «яркостная коррекция»? Каково назначение преобразования контраста? Чем различаются координатная привязка и трансформирование снимков? На чем основано компьютерное дешифрирование снимков? Каковы основные различия контролируемой (с обучением) и неконтролируемой (без обучения) классификации? Дайте характеристику различных методов классификации. Каковы основные особенности методов, применяемых при изучении изменений объектов?