(43-5) 20 * << * >> * Русский * English * Содержание * Все выпуски

Алгоритм выявления случайных искажений в составе сцены на серии разновременных изображений ДЗЗ одной и той же территории

А.М. Белов1, А.Ю. Денисова1

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,  
443086, Россия, г. Самара, Московское шоссе, д. 34

 PDF, 1528 kB

DOI: 10.18287/2412-6179-2019-43-5-869-885

Страницы: 869-885.

Аннотация:
Ряд задач обработки разновременных изображений дистанционного зондирования Земли одной и той же территории требует выявления на изображении объектов, не характерных для территории и представляющих собой случайные искажения в составе сцены. К таким искажениям можно отнести облака, тени и другие объекты или результаты воздействия природных явлений, которые перекрывают часть наблюдаемой сцены или существенно меняют регистрируемую яркость объектов в её составе. Случайный характер искажений проявляется в том, что их наличие, расположение, размеры и форма зависят от времени регистрации изображений, т.е. проявляются не на всех снимках из анализируемой серии. В настоящей статье предлагается алгоритм детектирования искажений в составе сцены по серии разновременных изображений дистанционного зондирования Земли. Алгоритм основан на суперпиксельной сегментации изображений и обнаружении аномалий в многомерных потоках данных. Результатом являются маски случайных искажений в составе сцены для каждого из изображений в серии, что позволяет впоследствии в методах комплексирования данных учитывать только релевантные для сцены участки каждого из изображений. Предлагаемый подход отличается универсальностью с точки зрения спектрального и пространственного разрешения анализируемых данных дистанционного зондирования Земли и допускает использование изображений с различной спектральной и пространственной дискретизацией в одном наборе. Качество работы алгоритма оценивалось путём моделирования серии разновременных мультиспектральных изображений с различными параметрами спектральной и пространственной дискретизации при различных условиях облачности и теней от облаков в качестве примера случайных искажений в составе сцены. В результате экспериментальных исследований было показано, что при оптимальном подборе параметров алгоритм обеспечивает точность обнаружения порядка 90 % при ошибке ложного обнаружения порядка 10 %.

Ключевые слова:
детектирование случайных искажений в составе сцены, комплексирование изображений дистанционного зондирования Земли, суперпиксельная сегментация изображений, обнаружение аномалий в многомерных потоках данных.

Цитирование:
Белов, А.М. Алгоритм выявления случайных искажений в составе сцены на серии разновременных изображений ДЗЗ одной и той же территории / А.М. Белов, А.Ю. Денисова // Компьютерная оптика. – 2019. – Т. 43, № 5. – С. 869-885. – DOI: 10.18287/2412-6179-2019-43-5-869-885.

Благодарности:
Работа выполнена при поддержке фонда РФФИ проекты № 18-07-00748 А, 16-29-09494 офи_м, а также содержит результаты проекта «Создание геоинформационного хаба Больших Данных», выполняемого в рамках реализации Программы Центра компетенций Национальной технологической инициативы «Центр хранения и анализа больших данных», поддерживаемого Министерством науки и высшего образования Российской Федерации по Договору МГУ имени М.В. Ломоносова с Фондом поддержки проектов Национальной технологической инициативы от 11.12.2018 № 13/1251/2018.

Литература:
  1. Pasetto, D. Integration of satellite remote sensing data in ecosystem modelling at local scales: Practices and trends / D. Pasetto, S. Arenas-Castro, J. Bustamante, R. Casagrandi, N. Chrysoulakis, A.F. Cord, A. Dittrich, C. Domingo-Marimon, G. El Serafy, A. Karnieli, G.A. Kordelas, I. Manakos, L. Mari, A. Monteiro, E. Palazzi, D. Poursanidis, A. Rinaldo, S. Rinaldo, S. Terzago, A. Ziemba, G. Ziv, G.A. Kordelas // Methods in Ecology and Evolution. – 2018. – Vol. 9, Issue 8. – P. 1810-1821.
  2. Аншаков, Г.П. Комплексирование гиперспектральных и мультиспектральных данных КА «Ресурс-П» для повышения их информативности / Г.П. Аншаков, А.В. Ращупкин, Ю.Н. Журавель // Компьютерная оптика. – 2015. – Т. 39, № 1. – С. 77-82. – DOI: 10.18287/0134-2452-2015-39-1-77-82.
  3. Белов, А.М. Спектральное и пространственное сверхразрешение при комплексировании данных ДЗЗ различных источников / А.М. Белов, А.Ю. Денисова // Компьютерная оптика. – 2018. – Т. 42, № 5. – С. 855-863. – DOI: 10.18287/2412-6179-2018-42-5-855-863.
  4. Денисова, А.Ю. Алгоритмы анализа линейной спектральной смеси на гиперспектральных изображениях с использованием картографической основы / А.Ю. Денисова, В.В. Мясников // Компьютерная оптика. – 2014. – Т. 38, № 2. – С. 297-303.
  5. Sun, L. A cloud detection algorithm-generating method for remote sensing data at visible to short-wave infrared wavelengths / L. Sun, X. Mi, J. Wei, J. Wang, X. Tian, H. Yu, P. Gan // ISPRS Journal of Photogrammetry and Remote Sensing. – 2017. – Vol. 124. – P. 70-88.
  6. Thompson, D.R. Rapid spectral cloud screening onboard aircraft and spacecraft / D.R. Thompson, R.O. Green, D. Keymeulen, S.K. Lundeen, Y. Mouradi, D.C. Nunes, R. Castaño, S.A. Chien // IEEE Transactions on Geoscience and Remote Sensing. – 2014. – Vol. 52, Issue 11. – P. 6779-6792.
  7. Zhu, X. An automatic method for screening clouds and cloud shadows in optical satellite image time series in cloudy regions / X. Zhu, E.H. Helmer // Remote Sensing of Environment. – 2018. – Vol. 214. – P. 135-153.
  8. Li, J. High-spatial-resolution surface and cloud-type classification from MODIS multispectral band measurements / J. Li, W.P. Menzel, Z. Yang, R.A. Frey, S.A. Ackerman // Journal of Applied Meteorology. – 2003. – Vol. 42, Issue 2. – P. 204-226.
  9. Luo, S. Shadow removal based on clustering correction of illumination field for urban aerial remote sensing images / S. Luo, H. Li, H. Shen // 2017 IEEE International Conference on Image Processing (ICIP). – 2017. – P. 485-489.
  10. Mostafa, Y. A review on various shadow detection and compensation techniques in remote sensing images / Y. Mostafa // Canadian Journal of Remote Sensing. – 2017. – Vol. 43, Issue 6. – P. 545-562.
  11. Movia, A. Shadow detection and removal in RGB VHR images for land use unsupervised classification / A. Movia, A. Beinat, F. Crosilla // ISPRS Journal of Photogrammetry and Remote Sensing. – 2016. – Vol. 119. – P. 485-495.
  12. Champion, N. Automatic detection of clouds and shadows using high resolution satellite image time series / N. Champion // International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. – 2016. – Vol. 41, Issue B3. – P. 475-479.
  13. Breunig, M.M. LOF: identifying density-based local outliers / M.M. Breunig, H.P. Kriegel, R.T. Ng, J. Sander // ACM Sigmod Record. – 2000. – Vol. 29, Issue 2. – P. 93-104.
  14. Domingues, R. A comparative evaluation of outlier detection algorithms: Experiments and analyses / R. Domingues, M. Filippone, P. Michiardi, J. Zouaoui // Pattern Recognition. – 2018. – Vol. 74. – P. 406-421.
  15. Zhao, H. Transformation from hyperspectral radiance data to data of other sensors based on spectral superresolution / H. Zhao, G. Jia, N. Li // IEEE Transactions on Geoscience and Remote Sensing. – 2010. – Vol. 48, Issue 11. – P. 3903-3912.
  16. Farsiu, S. Fast and robust multiframe super resolution / S. Farsiu, M.D. Robinson, M. Elad, P. Milanfar // IEEE transactions on image processing. – 2004. – Vol. 13, Issue 10. – P. 1327-1344.
  17. Student. The probable error of a mean / Student // Biometrika. – 1908. – Vol. 6, Issue 1. – P. 1-25.
  18. Achanta, R. SLIC Superpixels / R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Süsstrunk // EPFL Technical Report. – 2010. – Vol. 149300. – P. 1-15.
  19. Achanta, R. SLIC superpixels compared to state-of-the-art superpixel methods / R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, S. Süsstrunk // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2012. – Vol. 34, Issue 11. – P. 2274-2282.
  20. Hartigan, J.A. Algorithm AS 136: A k-means clustering algorithm / J.A. Hartigan, M.A. Wong // Journal of the Royal Statistical Society. Series C (Applied Statistics). – 1979. – Vol. 28, Issue 1. – P. 100-108.
  21. Margulis, D. Photoshop LAB color: The canyon conundrum and other adventures in the most powerful colorspace. / D. Margulis. – Peachpit Press, 2005.
  22. Vane, G. The airborne visible/infrared imaging spectrometer (AVIRIS) / G. Vane, R.O. Green, T.G. Chrien, H.T. Enmark, E.G. Hansen, W.M. Porter // Remote Sensing of Environment. – 1993. – Vol. 44, Issues 2-3. – P. 127-143.
  23. Bartoš, M. Cloud and shadow detection in satellite imagery. Master thesis / M. Bartoš // Prague: Czech Technical University in Prague Faculty of Electrical Engineering, 2017. – P. 1-57.
  24. Xu, M. Cloud removal based on sparse representation via multitemporal dictionary learning / M. Xu, X. Jia, M. Pickering, A.J. Plaza // IEEE Transactions on Geoscience and Remote Sensing. – 2016. – Vol. 54, Issue 5. – P. 2998-3006.
  25. Schowengerdt, R.A. Remote sensing: models and methods for image processing / R.A. Schowengerdt. – Elsevier, 2006. – 560 p.
  26. Spot-7 Satellite Sensor [Электронный ресурс]. – URL: https://www.satimagingcorp.com/satellite-sensors/spot-7/ (дата обращения 09.07.2019).
  27. Российская группировка ДЗЗ по состоянию на (01.03.2015 г.) // Геоматика. – 2015. – T. 1. – C. 106-112.
  28. Farsiu, S. Multiframe demosaicing and super-resolution of color image / S. Farsiu, M. Elad, P. Milanfar // IEEE Transactions on Image Processing. – 2006. – Vol. 15. – P. 141-159.
  29. Matlab [Электронный ресурс]. – URL: https://www.mathworks.com/products/matlab.html (дата обращения 09.07.2019).
  30. Janssens, J.H.M. Outlier detection with one-class classifiers from ML and KDD / J.H.M. Janssens, I. Flesch, E.O. Postma // Proceedings of the Eighth International Conference on Machine Learning and Applications. – 2009. – P. 147-153.

 

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