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

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: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20