Поиск нефтяных загрязнений по космическим снимкам со спутника «Ресурс-О1».

Данная работа относится к числу моих самых первых работ в области ДДЗЗ, в настоящий момент она представляет скорее «исторический» интерес. В настоящий момент мною выполнен ряд работ по детальному (1:25000 масштаба) дешифрированию нефтяных загрязнений по снимкам, полученным сенсором ASTER. Результаты этих работ будут скоро (надеюсь, в течении 2002 года) опубликованы.

Аннотация.

В документе содержится описание двухэтапного (автоматическая и полуавтоматическая классификация) алгоритма разработки классов для распознавания изображения, с использованием способа эталонных участков. Получены статистические характеристики изображения нефтяных загрязнений сильной и средней степени в виде гистограмм и эллипс -диаграмм. Выяснены наиболее спектрально – схожие с нефтяными загрязнениями классы объектов. Результаты (после проверки на снимках, полученных в другое время и при другом наклоне линии визирования сканера и решения проблемы спектральной калибровки изображения) могут быть использованы для разработки индексов для выявления нефтяных загрязнения по данным спутника «Ресурс-О1».

Исходная информация.

Характеристика используемых космических изображений.

В качестве исходного материала были использованы снимки со спутника Ресурс-О1, в следующих диапазонах спектра:

Использованное изображение отличалось низкой контрастностью и высокой зашумленностью. Гистограммы для каждого из каналов представлены на рис 3.

Порядок разработки алгоритма дешифрирования.

Для создания классифицированного изображения были использованы модули ARCINFO ARCEDIT и ARCINFO GRID.

Общая схема работ складывается из двух основных этапов:

1.        Автоматическая (unsupervised) классификация небольшого участка снимка, содержащего эталонный участок (в нашем случае, это участок №5). Создание системы из 5 ти – 10 классов, для выяснения «формальной» возможности отделения классифицируемого объекта от фоновых объектов. Сравнение результатов с наземными данными.

2.        Управляемая (supervised) классификация, с построением сети обучающих полигонов, разработкой файла сигнатур и получением окончательно классифицированного изображения. В качестве «первого приближения» для эталонных участков может быть выбран файл классов полученный на первом этапе.

Первый этап. Автоматическая классификация.

Создание GRID-файла содержащего эталонный участок.

1.        Запускаем ARCEDIT (из ArcTools).В качестве файла подложки необходимо указать 3-ий канал (RED), т.к. на нем лучше всего просматриваются территории лишенные естественной растительности.

2.        Создаем новое полигональное покрытие (далее SPOT_SITE). Тики указываем с экрана курсором мыши.

3.        Создаем полигональный объект, квадратной формы, который охватывает эталонный участок и сохраняем покрытие как SPOT_SITE. Удаляем покрытие из среды редактирования.

4.        Копируем покрытие SPOT_SITE в GRID файл с именем G_SPOT_SITE. Далее данный GRID файл копируем три раза с именами F_CHAN1, F_CHAN2, F_CHAN3. В этих файлах будут сохранены соответствующие спектральные каналы изображения эталонного участка.

5.        Последовательно открываем файлы, содержащие изображения для какждого из 3-х спектральных каналов; при помощи панели SELECTION примерно выделяем «резиновым квадратом» эталонный участок участок и при помощи команды PUT из панели редактирования GRID-а копируем выделенное изображение. Первый канал копируется в GRID файл с именем F_CHAN1 и т.д.

6.        Замечание. Этапы 5 и 6, можно выполнить альтернативным способом: при помощи функции модуля GRID SELECTPOLYGON из командной строки. Пример: для копирования первого канала надо выполнить команду: F_CHAN1 = SELECTPOLYGON( «Имя GRID, содержащей 1-ый канал», SPOT_SITE). При этом файлы с именами F_CHANxx предварительно создавать не требуется.

7.        Переходим в модуль GRID. Создаем стек при помощи ArcTools>Manager>Stack…, содержащий файлы F_CHANxx. Запускаем диалог Statictics>Unsupervised… И указываем созданный нами стек.

8.        Далее выполняем автоматическую классификацию, добиваясь: а) более менее равномерного распределения эллипсов классов по поверхности эллипс-диаграммы (см рис 5.) б) четкого выделения пятен загрязнений на изображении эталонного участка. Замечание. При выполнении данной работы для удовлетворения этих условий потребовалось существенно изменить параметры автоматической классификации: удовлетворительный результат был достигнут при NUMBER OF CLUSTERS = 20 (реально было создано семь классов), NUMBER OF ITERATIONS = 200, MINIMUM CLASTER SIZE = 5, SAMPLE INTERVAL = 5. Это связано с тем, что во первых, классифицируемое изображение слишком мало по размерам, во вторых, невелико расстояние между соседними классами из-за небольшого «информационного разрешения» изображения (диапазон величин содержит всего 10-20 градаций) см оси X,Y на эллипс-диаграммах, и в третьих, изображение содержит значительное количество шумов, которые вносят искажения в структуру классов.

Второй этап. Управляемая классификация.

На этапе автоматической классификации мы могли увидеть, что изображение можно разбить на 5-7 классов, при этом одним из классов может быть участок загрязнения. Т.е. формально он может быть отделен от “фоновых” объектов.

1.        Перед началом полуавтоматической классификации необходимо визуально просмотреть изображение и приблизительно выяснить количество классов на которое его необходимо разбить. Для изображения, представленного на рис 2 было выделено 5 классов (см табл. 1). Замечание. Поскольку целью данной классификации было выделение нефтяных загрязнений, то корректировка других классов не производилась.

2.        Формирование эталонных полигонов для каждого из выделенных классов.

3.        Проверка корректности формирования сети полигонов. С этой целью необходимо: а) построить эллипс-диаграммы и удостовериться, что эллипсы классов равномерно покрывают поверхность диаграммы и что эллипсы соседних классов хотя бы на одной диаграмме не пересекаются б) удовлетворительно распознается тот класс, который мы корректируем. Замечание. т.к. в данном случае мы распознаем достаточно специфический тип объектов, то во первых сам эллипс, соответствующий данному классу должен быть как можно меньше, и во вторых, расстояние между центрами этого эллипса и эллипсов, соответствующих соседним по диаграмме классам (хотя бы на одной диаграмме, а лучше на двух), должно быть как можно меньше. Но необходимо помнить, что это – формальные критерии, а основным критерием корректности формирования классов является наиболее полное распознавание эталонного участка, при минимальном количестве ошибочно распознаваемых участков изображения.

4.        Корректировка классов. В процессе проверки корректности может быть выяснено, что некоторые участки изображения ошибочно распознаются как принадлежащие к корректируемому классу. Как правило такие ошибки происходят «на границах» соседних классов (например в нашему случае, см рис 7, классы 1 и 2, согласно табл. 1). В этом случае, необходимо выбрать дальнейшую стратегию действий а) возможно потребуется ввести новый класс б) наиболее характерные из ошибочно распознанных участков необходимо добавить в качестве эталонных полигонов для соседнего класса, после чего перейти к выполнению пункта 3. Замечание. В процессе данной работы возникла ситуация с ошибочным распознаванием некоторых объектов гидрографии как нефтяных пятен, в частности это распространялось на изображение реки Вильва (в нижнем левом углу снимка). Для решения проблемы, к классу №1 (согласно табл 1.) был добавлен ряд эталонных участков, располагающихся на поверхности реки. В результате ошибки удалось свести к минимуму. На рис 6., они проявляются в виде красных точек (класс №2), на фоне белого тона (класс №1).

Результаты работы оформлены в виде файла сигнатур и классифицированного изображения рис. 7 (сравнить с рис 2, на котором представлено исходное изображение и рис 1., на котором представлены данные наземной съемки).

Классифицированное изображение.

Статистический анализ построенных классов.