- Уровень - 0 - необработанные первичные
данные ДЗЗ;
- Уровень - 1A - данные, прошедшие
радиометрическую коррекцию и калибровку;
- Уровень - 1B - радиометрически
скорректированные и географически привязанные
данные;
- Уровень - 2A - радиометрически
и геометрически скорректированные данные,
представленные в картографической проекции.
Основная часть
данных ДЗЗ при этом поставляется
в системе координат WGS 84, проекции UTM,
с заданным (предельным) уровнем облачности
и углом отклонения от надира. К сожалению,
некоторые виды предварительной
обработки, такие как фильтрация и
изменение контраста приводят к изменению
спектральных характеристик снимка, поэтому
после их применения нельзя использовать
многие методы тематической обработки,
основанные на анализе значений спектральной
яркости пикселей (классификации, арифметические
преобразования каналов и др.).
В отличие
от стандартных уровней обработки, процесс
создания тематических продуктов уже
мало зависит от типа обрабатываемых данных.
Эти продукты распространяются обычно
в общедоступных форматах хранения, например,
GeoTIFF или одном из форматов популярных
программ обработки изображений, таких
как ERDAS, ENVI, PCI и др. Это объясняется тем,
что такие продукты в большинстве случаев
представляют собой картографически
привязанные изображения и для их дальнейшего
использования уже не требуется специфическая
информация о модели движения космического
аппарата в момент съемки, его ориентации,
параметрах съемочной аппаратуры и прочей
служебной информации. Единственное предъявляемое
требование - чтобы формат позволял хранить
параметры географической привязки растра
(например, в виде описания картографической
проекции). Продукты же стандартных уровней
обработки обязаны содержать всю необходимую
служебную информацию (метаданные), которая
в дальнейшем используется для генерации
продуктов более высоких уровней обработки.
2.2.2. Тематическая обработка
Тематические продукты можно
разделить на 2 класса:
- базовые, которые могут
использоваться как самостоятельно,
так и в составе предметно-ориентированных
(прикладных) технологий;
- прикладные технологии,
ориентированные на получение
конечных результатов в узко-
специализированных областях.
Базовые технологии охватывают следующие
основные виды обработки ДЗЗ:
- контрастирование изображения;
- пространственная фильтрация;
- ортотрансформирование;
- удаление дымки;
- автоматическая дешифрация (классификация).
Контраст
изображения - это разность между максимальным
и минимальным значениями яркости. Слабый
контраст – наиболее распространенный
дефект изображений.
Существует несколько методов
повышения контраста путем цифровой обработки:
а) линейное растягивание
гистограммы.
Всем значениям яркости присваиваются
новые значения с целью - охватить весь
возможный интервал изменения яркости
(0, 255).
|
|
Исходный снимок |
диапазон значений яркости
от 126 до 165, среднее=140 |
|
|
Снимок после линейного растягивания
гистограммы |
диапазон значений яркости
от 0 до 255, среднее =136.7 |
б) нормализация гистограммы.
На весь возможный интервал
изменения яркости растягивается не вся
гистограмма, а ее наиболее интенсивный
участок
|
|
Снимок после нормализации
гистограммы |
диапазон значений яркости
от 0 до 255, среднее =121.5. Причем растянута
средняя, наиболее информативная часть
гистограммы |
в) выравнивание гистограммы
(линеаризация, эквализация).
В процессе выравнивания происходит
изменение значений яркости пикселов
таким образом, чтобы для каждого уровня
яркости было одинаковое или близкое количество
пикселов.
|
|
Снимок после выравнивания
гистограммы |
диапазон значений
яркости от 0 до 255, среднее =115.9 |
| |
|
Пространственная
фильтрация - это преобразование, которое
позволяет усилить воспроизведение тех
или иных объектов, подавить нежелательное
вуалирование, устранить другие случайные
помехи (шум). Один из самых простых способов
фильтрации - преобразование в скользящем
окне. При таком преобразовании пересчитываются
значения яркости всех пикселов изображения.
Пересчет происходит для каждого пиксела
таким образом: когда данный пиксел является
центральным в окне, которое "движется"
по снимку, ему дается новое значение,
которое является функцией от значений
окружающих его в окне пикселов. Размер
окна может быть, например 3х3 или 5х5 пикселов.
Для всех пикселов окна исследователь
устанавливает весовые коэффициенты исходя
из целей дешифрирования.
|
Если весовые коэффициенты
всех пикселов в окне равны, изображение
будет сглажено. |
|
|
Если весовой коэффициент центрального
пиксела в окне значительно выше остальных,
то изображение станет более резким. |
|
Ортотрансформирование – одна из основных задач обработки
космических снимков. Она выполняется
в том случае, если качество геометрической
коррекции и точность геопривязки исходных
данных не устраивает потребителя. Ортотрансформирование
позволяет устранить практически все
искажения, источниками которых могут
быть: рельеф местности, выбранная картографическая
проекция, дисторсия объектива, ненадирная
съёмка и т.д. Ортотрансформированное изображение
имеет одинаковый масштаб по всему снимку
и в геометрическом отношении подобен
карте или плану. Измерения, проводимые
по ортоизображению, соответствуют измерениям
на местности.
Ортотрансформирование
космических снимков обычно выполняется
с помощью RPC-коэффициентов (коэффициентов
полиномов рациональных функций, связывающих
координаты точек местности с координатами
их изображений на растре), или с помощью
одних только опорных точек. Но наилучшие
результаты получаются при одновременном
использовании RPC-коэффициентов и опорных
точек. Также, в случае ортотрансформирования
большого участка поверхности горной
местности, необходимо использовать ЦМР
для устранения влияния рельефа на точность
определения координат.
Удаление дымки. Космические снимки, как правило, в той
или иной степени имеют искажения цвета,
обусловленные наличием атмосферной дымки.
Для многих задач наличие дымки является
помехой, так как наблюдается снижение
взаимной корреляции каналов в зонах
наличия дымки. При отсутствии же дымки
взаимная корреляция каналов видимого
диапазона достаточно высока. На этом
основан алгоритм создания маски дымки
и коррекции яркости каналов в зоне маски.
Классификация - это компьютерное дешифрирование
снимков или процесс автоматизированного
разделения всех пикселов снимка на группы
(классы), которые соответствуют разным
объектам.
Существуют два основных
типа классификации:
Классификация с обучением
(управляемая);
Классификация без обучения
(неуправляемая).
Классификация с обучением - это процесс, при котором происходит
сравнение значения яркости каждого пиксела
с эталонами, в результате, каждый пиксел
относится к наиболее подходящему классу
объектов.
Классификацию с обучением
можно применять, если:
- заранее известно, какие
объекты есть на снимке;
- на снимке имеется
небольшое количество (до 30) классов;
- эти классы четко различаются
на снимке;
Этапы классификации с обучением;
- определение задач обработки
снимка и выбор метода классификации;
- выбор эталонных участков;
- проведение классификации
и оценка качества результатов.
Основные методы
управляемой классификации и их характеристики.
1. Метод спектрального
угла. Данный метод дает хорошие результаты,
когда нужно провести классификацию для
объектов, которые имеют схожие значения
яркости.
2. Метод минимального
расстояния. Данный метод применяют, когда
области значения яркости объектов пересекаются.
3. Метод параллелепипедов.
Данный метод применяют, когда области
значения яркости объектов не пересекаются.
4. Метод максимального
правдоподобия. Этот метод применяют
в особенно сложных случаях, когда области
значений яркости разных классов в пространстве
признаков перекрываются и имеют сложную
(или вытянутую) форму.
5. Метод дистанции Махаланобиса.
Этот метод является более точным, по сравнению
со способом минимального расстояния,
поскольку учитывает распределение значений
яркости обучающих выборок.
6. Нейронные сети. В отличие
от традиционным методов классификации,
в которых каждый тематический объект
стараются представить единственным классом,
нейронной сети позволяют достичь
более высокой детальности, например,
отделить сорную растительность от культурной,
один сорт от другого и т.д.
Классификации без
обучения это процесс, при котором
распределение пикселов изображения происходит
автоматически, на основе анализа статистического
распределения яркости пикселов. Следует
отметить, что перед началом классификации
неизвестно сколько и каких объектов имеется
на снимке, а после проведения классификации
необходимо дешифрирование полученных
классов, то есть определить каким объектам
они соответствуют.
Таким образом, классификацию без обучения
применяют в случае если:
а) заранее неизвестно какие объекты есть
на снимке;
б) на снимке большое количество объектов
(более30) со сложными границами;
в) также можно применять, как предварительный
этап перед классификацией с обучением.
Наиболее распространенный
метод классификации без обучения
(ISODATA) основан на кластерном анализе,
заключающемся в распределении пикселей
по классам (кластерам). При этом к каждому
кластеру относятся пикселы, значения
яркости которых наиболее близки в пространстве
спектральных признаков. Кратко работу
алгоритма кластерного анализа ISODATA можно
описать следующим образом:
1) расчет статистических
параметров распределения яркостей
всех пикселов снимка в каждой
спектральной зоне (минимальное, максимальное,
среднее значение, стандартное отклонение);
2) все пикселы снимка делятся на n равных
диапазонов ( кластеров) в пространстве
спектральных признаков, для каждого из
них определяется среднее значение;
3) на первой итерация
кластеризации в пространстве
спектральных признаков для каждого
пиксела рассчитывается спектральное
расстояние до средних значений,
и каждый пиксел относят в
определенный кластер. Таким образом,
в один кластер попадают пикселы между
которыми меньше расстояния в пространстве
спектральных признаков;
4) расчет реальных средних
значений для полученных классов;
5) следующая итерация
выполняется с новыми значениями
средних, уточняются границы кластеров
и, при этом, число кластеров может меняться.
Процесс
продолжается до тех пор, пока
не будет достигнуто максимальное
(заранее установленное) количество
итераций или достигнут максимальный
процент пикселов не изменивших свой
класс во время последней итерации (этот
параметр тоже задается заранее). Итеративная
часть алгоритма не предусматривает регулирование
количества кластеров. Поэтому сначала
лучше предположить завышенное число
допустимых кластеров, а в заключении
суммировать излишние кластеры после
окончания итеративной части алгоритма.
Это можно сделать путем вычисления межкластерных
расстояний и объединения тех кластеров,
разделимость которых не превосходит
некоторую, предварительно заданную величину.
Для завершения
анализа спектральные классы
должны быть преобразованы в
информационные классы путем
идентификации типа поверхностного
покрытия земли или РП, соответствующего
каждому спектральному классу. Ввиду ограниченного
контроля РП со стороны исследователя
неконтролируемая классификация менее
эффективна чем контролируемая. Это особенно
справедливо когда информационные классы
лишь частично разделимы в пространстве
измерений (например, два вида сельскохозяйственных
культур, имеющие слабые спектральные
различия). Поэтому на практике обычно
происходит совмещение контролируемой
и неконтролируемой классификации.
Прикладные
технологии создаются, как правило, на основе базовых технологий
под отдельные специфические задачи, в
частности, для сельского хозяйства это:
- мониторинг
состояния растительности и почв;
- моделирование
содержания питательных веществ
в почве и растительности;
- создание карт-заданий
для реализации технологий точного земледелия;