Loading
Пропустить Навигационные Ссылки.

Авторизоваться
Для зарегистрированных пользователей

Исследование возможностей использования методов сегментации спутниковых изображений для выявления изменений в лесах.


Проведенные исследования были направлены на оценку возможности использования методов сегментации и объектно-ориентированной классификации спутниковых изображений Landsat-TM и SPOT-HRVIR для выявления изменений в лесах в результате вырубок и гарей.
В основе объектно-ориентированных методов классификации является использование пространственной и текстурной информации о представленных на спутниковых изображениях объектах. Объектно-ориентированные методы имеют ряд преимуществ по сравнению с традиционными пиксельно-ориентированными методами, включая более высокую, как правило, точность классификации, отсутствие эффекта одиночных пикселей в результатах классификации, возможность классификации неоднородных по яркости объектов и простую интеграцию получаемых данных с ГИС.
Сегментация изображений является одним из ключевых этапов объектно-ориентированных методов анализу данных дистанционного зондирования. Под сегментацией понимается разбиение изображения на различающиеся по некоторому признаку области таким образом, что они соответствуют реальным объектам или их частям, а границы объектов совпадают с границами выделяемых областей.  Выполненное исследование включало анализ  четырех различных методов, использующих разные стратегии выделения связных областей на изображении: кластеризации многомерной гистограммы, метода водораздела, метода выделения границ и метода разделения-слияния на гексагональной топологической решетке.
Анализ имеющихся спутниковых данных проходил в несколько этапов. На этапе предварительной обработки спутниковые данные проходили процедуру радиометрической калибровки и взаимной нормализации. Затем строились RGB-изображения, в которых R соответствовал красный, G - ближний ИК  и B - средний ИК спектральные каналы. Полученный набор данных поступал на вход процедуры сегментации. На этапе сегментации каждое изображение набора данных сегментировалось каждым из четырех перечисленных выше алгоритмов сегментации при варьировании параметров алгоритма.  Границы варьирования параметров определялись эмпирически, исходя из визуальной оценки качества сегментации. Шаг параметра определялся так, чтобы при варьировании получилось 20-30 разных разбиений. После чего построенные данные передавались для оценки качества сегментации. На последнем этапе работа каждого алгоритма оценивалась с помощью нескольких критериев качества, а именно обратное к среднему количеству областей, покрывающих эталонный контур, отношение площади эталонного контура к суммарной площади областей, ее покрывающих, критерии FOM, Хаусдорфа, Баделли, среднее расстояние между контурами, стандартное отклонение расстояния между контурами.
На основе проведенных вычислительных экспериментов для каждого рассматриваемого алгоритма были построены графики зависимости вышеперечисленных критериев качества от параметров алгоритмов. Некоторые из полученных графиков хорошо аппроксимируются известными функциями, например, прямыми или параболами, а другие – не проявляют хорошей зависимости изменения значения функции от изменения значения параметров алгоритма. Для выбора наиболее оптимального критерия качества работы алгоритма были сформулированы следующие требования к критериям: достижение экстремума на интервале варьирования параметров (кроме стандартного отклонения расстояния между контурами), низкие вариация и  дисперсия построенной функции. На основе вышеперечисленных требований были отобраны критерии, с помощью которых был выбран лучший алгоритм и подобраны его оптимальные параметры. В результате проведенных экспериментов было установлено, что критерии Баделли, FOM, среднее расстояние между контурами, а также стандартное отклонение расстояния между контурами в качестве вспомогательного критерия, могут быть использованы для выбора алгоритма сегментации и его оптимальных параметров.
Проведенный анализ показал, что метод водораздела не корректно сегментирует границы вырубок и гарей, и может быть исключен из дальнейшего рассмотрения. Наилучшим алгоритмом из четырех рассматриваемых для сегментации вырубок и гарей является метод выделения границ при сегментации одиночной сцены, и - Сolor Structure Code при сегментации разностного изображения. Изображение разности в качестве входных данных существенно увеличивает точность сегментации в задачах выявления изменений при использовании алгоритма сегментации, учитывающего как локальные, так и глобальные свойства изображения.
Анализ полученных результатов позволяет наметить пути дальнейшего развития и перспективы использования алгоритмов сегментации при построении технологий мониторинга лесов по спутниковым данным высокого пространственного разрешения.

 

Рис. 16.7.4 Фрагмент изображения Landsat 5 с наличием лесной гари (слева) и тот же фрагмент с результатами  сегментации изображения (справа)