- PVSM.RU - https://www.pvsm.ru -
На Хабре было немало статей про использование различных методов обработки изображений, включая классификацию данных, фильтрацию. Многие из этих подходов применяются и в дистанционном зондировании при обработке цифровых изображений Земли.
От момента, как снимок получен со спутника, до возможности его анализировать должен пройти целый цикл процедур по приведению его в вид, удобный для получения и последующего анализа визуальной информации.
Тех, кому интересен сам процесс, прошу под кат (трафик):
Перед тем, как перейти к самой сути мне бы хотелось сразу ввести ряд элементарных понятий, которые, наверняка, многим уже знакомы, но, все же, не будем отступать от конкретики. Те же, кто уверен в своей компетентности по данному вопросу, пусть сразу переходят к самому интересному.
Как все знают, цифровое изображение – это матрица пикселей, значение каждого из которой получается в результате усреднения по четырем составляющим: координатам пространства (x и y), длине волны и времени.
Сам процесс составления матрицы идет таким образом: солнечное излучение отражается от объектов съемки, энергия, попадающая на поверхность датчика, фиксируется им, затем интегрируется, из чего задается интегральное значение пикселя. Целочисленное же значение получается после преобразования интегрального значения в электрический сигнал. Каждый пиксель хранит информацию в двоичном виде. Чем больше бит (памяти ) выделяется на пиксель, тем больше число значений, соответствующих одному пикселю, тем точнее аппроксимируется исходный дискретный сигнал, тем больше информации снимок может хранить.
В ПЗС – сканерах уже упомянутые детекторы сканируют Землю и разделяют непрерывный поток данных на пиксели.
От вида сканера зависит очень многое, им определяется способ получения изображений. Так, существуют три основных вида сканеров:
Цифровые снимки отображаются либо с использованием 8-битной шкалы оттенков серого, либо 24-битной, которая основана на смешении различных оттенков R, G, B. Исходный диапазон значений пикселей превращается в ограниченный диапазон путем комбинирования цветовых значений, соответствующих любым трем каналам многоспектрального цифрового снимка. Один пиксель отображается 2563 векторами RGB, один вектор – один цвет.
Как в оптических датчиках формируются спектральные каналы:
Пучок света, поступивший на датчики, делится на несколько лучей. Каждый луч, проходя свой оптический путь, идет через спектральный фильтр. Для разделения спектральных диапазонов могут быть использованы призмы и дифракционные решетки.
В цикл предварительных процедур по обработке снимка входят следующие:
Дешифрирование – это процесс обнаружения и распознавания объектов и явлений местности на снимке. Оно может быть как ручным, то есть базирующимся на визуальной (человеческой) оценке изображения, так и машинным (автоматическим). Последнее, что-то мне подсказывает, представляет для многих читательов больший интерес. Машинная обработка, по сути своей, сводится к различным механизмам классификации. Для начала нужно представить все пиксели (их спектральные яркости) как вектора в пространстве спектральных признаков. При анализе количественных связей спектральных яркостей разных объектов происходит разделение пикселей по классам. Классификация снимков делится на классификацию с обучением и классификацию без обучения.
Классификация с обучением предполагает наличие эталона, с яркостью которого сравнивается яркость каждого пикселя. В результате, имея несколько эталонов, заранее заданных, мы получаем множество объектов, разделенных на классы. Эта классификация работает только в случае, если известны заранее те объекты, которые отображены на снимке, классы четко различимы и их количество невелико.
Вот только немногие из методов, которые могут использоваться в классификации с обучением:
Классификация без обучения построена на полностью автоматическом распределении пикселей по классам на основе статистики распределения яркостных значений пикселей. Данный вид классификации используется, если изначально неизвестно, сколько объектов присутствует на снимке, количество объектов велико, в результате машина сама выдает полученные классы, а мы уже определяем, каким объектам их поставить в соответствие.
Все процессы предварительной обработки и улучшения качества снимков, также дешифрирования представляют собой огромное поле для рассуждений, каждый из них может служить поводом целой статьи (и не одной). Если кого заинтересует конкретная тема, прошу оставлять свои пожелания в комментариях для последующего развития сюжета. Далее планируется пост про использование различных индексов, таких как вегетационный NDVI, для улучшения дешифрирования и идентификации объектов.
В статье была использована информация с сайта [3], также из следующих источников: 1 [4] и 2 [5].
P.S. Есть возможность бесплатно скачать цифровые данные на сайте геологической службы США [6]
Для собственных экспериментов в обработке снимков есть бесплатный демо-софт [7] (правда, с некоторыми ограниченными функциями, по сравнению с полной версией, но для разминки достаточно) и еще один софт [8].
Автор: oljakli
Источник [9]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/algoritmy/53877
Ссылки в тексте:
[1] UnickSoft: http://habrahabr.ru/users/unicksoft/
[2] посте: http://habrahabr.ru/post/142818/
[3] с сайта: http://www.nrcgit.ru/aster/methods/
[4] 1: http://webcache.googleusercontent.com/search?q=cache:http://window.edu.ru/resource/028/76028
[5] 2: http://rutracker.org/forum/viewtopic.php?t=3703416
[6] геологической службы США : http://earthexplorer.usgs.gov/
[7] бесплатный демо-софт: http://www.scanex.com/en/software/downloads.asp
[8] еще один софт: http://envi-ex.software.informer.com/4.8/
[9] Источник: http://habrahabr.ru/post/210810/
Нажмите здесь для печати.