(43-2) 17 * << * >> * Русский * English * Содержание * Все выпуски

Комплексный анализ и мониторинг состояния окружающей среды на основе данных ДЗЗ
Лебедев Л.И., Ясаков Ю.В., Утешева Т.Ш., Громов В.П., Борусяк А.В., Турлапов В.Е.

Национальный исследовательский государственный университет им. Н.И. Лобачевского

 PDF, 2482 kB

DOI: 10.18287/2412-6179-2019-43-2-282-295

Страницы: 282-295.

Аннотация:

Исследуется проблема комплексного анализа и мониторинга окружающей среды на основе прежде всего данных гиперспектральных изображений и вариант ее решения с созданием необходимого алгоритмического обеспечения для обработки и хранения гиперспектральных изображений. Гиперспектральное изображение рассматривается как двумерное поле сигнатур пикселей. Предложены методы оценки сходства сигнатуры пикселя гиперспектрального изображения с эталоном, включающие в себя простые преобразования совмещения пикселя с эталоном: тождественное; масштабирование по амплитуде; смещение по y; сочетание последних двух. Предложен метод кластеризации/распознавания с самообучением, определяющий значения параметров преобразования, обеспечивающего совмещение сигнатуры текущего пикселя с эталоном. Сходство с эталоном устанавливается по величине среднеквадратического отклонения. На этой основе предложен метод сжатия гиперспектральных изображений с контролируемыми потерями путем формирования базиса накоплением эталонов сигнатур и представления остальных сигнатур параметрами совмещения их с распознанным эталоном класса. В эксперименте с данными гиперспектральных изображений f100520t01p00r12 спектрометра AVIRIS, при величине потерь в 2 %, метод обеспечил коэффициенты сжатия исходного гиперспектрального изображения для разных типов преобразований совмещения от 43 до 165 без необходимости архивации, т.е. сохраняя доступ к гиперспектральному изображению и используя список эталонов как аналог палитры гиперспектральных изображений. Предложен алгоритм для формирования плотных групп детектируемых объектов (например, пятен нефти) и их невыпуклого оконтуривания, управляемый 4 параметрами.
Построена и реализована в пилотном варианте концепция геоинформационной системы и ее СУБД, обеспечивающая мониторинг и основанная на приоритете обработки и хранения гиперспектральных изображений, как источнике данных для него. В структуру системы введен лабораторный комплекс с новыми алгоритмами обработки и хранения гиперспектральных изображений, способный формировать на основе данных гиперспектральных изображений объекты цифровой векторной карты и данные о состоянии сформированных объектов.

Ключевые слова:
гиперспектральные изображения, обработка изображений, распознавание с самообучением, сжатие с потерями, сжатие без архивации, невыпуклое оконтуривание, цифровые карты, СУБД, мониторинг окружающей среды.

Цитирование:
Лебедев, Л.И. Комплексный анализ и мониторинг состояния окружающей среды на основе данных ДЗЗ / Л.И. Лебедев, Ю.В. Ясаков, Т.Ш. Утешева, В.П. Громов, А.В. Борусяк, В.Е. Турлапов // Компьютерная оптика. – 2019. – Т. 43, № 2. – С. 282-295. – DOI: 10.18287/2412-6179-2019-43-2-282-295.

Литература:

  1. Воробьёва, Н.С. Информационная технология раннего распознавания видов сельскохозяйственных культур по космическим снимкам / Н.С. Воробьёва, В.В. Сергеев, А.В. Чернов // Компьютерная оптика. – 2016. – Т. 40, № 6. – С. 929-938. – DOI: 10.18287/2412-6179-2016-40-6-929-938.
  2. Жуков, Д.В. Методика тематической обработки гиперспектральных данных в задаче оценки экологического состояния акваторий портов / Д.В. Жуков // Исследование Земли из космоса. – 2014. – № 1. – C. 66-71. – DOI: 10.7868/S0205961414010084.
  3. Пат. 2616716 Российская Федерация G 01 N 21/55. Способ оценки уровня загрязнения акваторий по гиперспектральным данным аэрокосмического зондирования / Григорьева О.В., Жуков Д.В., Марков А.В., Саидов А.Г.; № 2015102402, заявл. 26.01.2015, опубл. 18.04.2017, Бюл. № 11. – 13 с., ил.
  4. Воздушное наблюдение морских разливов нефти. Методическое руководство для персонала, осуществляющего контроль происшествий и ликвидацию чрезвычайных ситуаций: Отчет IOGP № 518 [Электронный ресурс]. – URL: http://www.oilspillresponseproject.org/wp-content/uploads/ 2017/04/Aerial-Observation_Russian_V2.pdf (дата обращения 28.12.2018).
  5. Раменская, Е.В. Получение опорных спектральных сигнатур при гиперспектральной съемке / Е.В. Раменская, А.О. Гурьянова, А.Г. Мандра, В.В. Ермаков // Экология и промышленность России. – 2014. – № 10. – С. 44-47. – DOI: 10.18412/1816-0395-2014-10-44-47.
  6. Раменская, Е.В. Классификация гиперспектральных изображений с использованием кластерной структуры данных / Е.В. Раменская, М.П. Кузнецов, В.В. Ермаков, О.Р. Баркова, А.А. Бран // Современные проблемы дистанционного зондирования Земли из космоса. –2017. – Т. 14, № 7. – С. 9-19.– DOI: 10.21046/2070-7401-2017-14-7-9-19.
  7. Myasnikov, E.V. Hyperspectral image segmentation using dimensionality reduction and classical segmentation approaches / E.V. Myasnikov // Computer Optics. – 2017.– Vol. 41(4). –P. 564-572. – DOI: 10.18287/2412-6179-2017-41-4-564-572.
  8. Sirota, A.A. Generalized image compression algorithms for arbitrarily-shaped fragments and their implementation using artificial neural networks / A.A. Sirota, M.A. Dryuchenko // Computer Optics. – 2015. – Vol. 39(5). – P. 751-761. – DOI: 10.18287/0134-2452-2015-39-5-751-761.
  9. Zamyatin, A.V. An algorithm for compressing hyperspectral aerospace images with the account of inter-band correlation / A.V. Zamyatin, A.Zh. Sarinova // Applied Informatics. – 2013. – Vol. 47, Issue 5. – P. 35-42.
  10. Kopenkov, V.N. Development of an algorithm for automatic construction of a computational procedure of local image processing, based on the hierarchical regression./ V.N. Kopenkov, V.V. Myasnikov // Computer Optics.– 2016. – Vol. 40(5). – P. 713-720. – DOI: 10.18287/2412-6179-2016-40-5-713-720.
  11. Гашников, М.В. Интерполяция на основе контекстного моделирования при иерархической компрессии многомерных сигналов / М.В. Гашников // Компьютерная оптика. – 2018. – Т. 42, № 3. – С. 468-475. – DOI: 10.18287/2412-6179-2018-42-3-468-475.
  12. Кухарев, Г.А. Методы двумерной проекции цифровых изображений в собственные подпространства: особенности реализации и применение / Г.А. Кухарев, Н.Л. Щеголева // Компьютерная оптика. – 2018. – Т. 42, № 4. – С. 637-656. – DOI: 10.18287/2412-6159-2018-42-4-637-656.
  13. Lee, C. Feature extraction based on decision boundaries / C. Lee, D.A. Langrebe // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1993. – Vol. 4, Issue 15. – P. 388-400. – DOI: 10.1109/34.206958.
  14. Vasin, Yu.G. GIS Terra: A graphic database management system / Yu.G. Vasin, Yu.V. Yasakov // Pattern Recognition and Image Analysis. – 2004. – Vol. 14, Issue 4. – P. 579-586.
  15. Васин, Ю.Г. Распределённая СУБД для интегрированной обработки пространственных данных в ГИС / Ю.Г. Васин, Ю.В. Ясаков // Компьютерная оптика. – 2016. – Т. 40, № 6. – С. 919-928. – DOI: 10.18287/2412-6179-2016-40-6-919-928.
  16. Pakhomov, P.A. Investigation of hyperspectral image pixel signatures by the empirical mode decomposition method / P.A. Pakhomov, A.V. Borusyak, V.E. Turlapov // CEUR Workshop Proceedings. – 2018 – Vol. 2210. – P. 352-364.
  17. Лебедев, Л.И. Пространственный анализ гиперспектральных изображений / Л.И. Лебедев, А.О. Шахлан, // Труды 28-й Международной научной конференции по компьютерной графике и машинному зрению (Томск, ТПУ). – 2018. – С. 315-318.
  18. Лебедев, Л.И. Распознавание и классификация объектов ГСИ / Л.И. Лебедев // Материалы V Международной научной конференции «Региональные проблемы дистанционного зондирования Земли» (Красноярск, СФУ). – 2018. – С. 138-143.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20