Цифровая обработка аэрокосмических изображений

Цифровая обработка аэрокосмических изображений

Оглавление

Лекция 1. Физические основы дистанционного зондирования

Лекция 2. Методы исследования в оптическом диапазоне

Лекция 3. Методы изучения Земли из космоса

Лекция 4. Орбиты космических аппаратов

Лекция 5. Космические аппараты для дистанционного зондирования

Лекция 6. Прием данных дистанционного зондирования

Лекция 7. Восстановление спутниковых изображений

Лекция 8. Технические средства обработки изображений

Лекция 9. Форматы графических файлов

• Лекция 1. Физические основы дистанционного зондирования Лекция 2. Методы исследования в оптическом диапазоне Лекция 3. Методы изучения Земли из космоса Лекция 4. Орбиты космических аппаратов Лекция 5. Космические аппараты для дистанционного зондирования Лекция 6. Прием данных дистанционного зондирования Лекция 7. Восстановление спутниковых изображений Лекция 8. Технические средства обработки изображений Лекция 9. Форматы графических файлов

Оглавление

Лекция 10. Модели изображений. Преобразование яркости и контраста

Лекция 11. Линейная пространственно-инвариантная фильтрация

Лекция 12. Фильтрация в пространственной области

Лекция 13. Сегментация изображений

Лекция 14. Распознавание изображений

Лекция 15. Параметрические методы классификации

Лекция 16. Непараметрические методы классификации

Лекция 17. Нейрокомпьютеры в обработке изображений Метод главных компонентов

• Лекция 10. Модели изображений. Преобразование яркости и контраста Лекция 11. Линейная пространственно-инвариантная фильтрация Лекция 12. Фильтрация в пространственной области Лекция 13. Сегментация изображений Лекция 14. Распознавание изображений Лекция 15. Параметрические методы классификации Лекция 16. Непараметрические методы классификации Лекция 17. Нейрокомпьютеры в обработке изображений Метод главных компонентов

Лекция 1

Физические основы дистанционного зондирования

• Спутниковый мониторинг Земли Применение методов дистанционного зондирования в народном хозяйстве Спектры излучения Солнца и Земли, использование различных участков спектра
• Спутниковый мониторинг Земли
• Применение методов дистанционного зондирования в народном хозяйстве
• Спектры излучения Солнца и Земли, использование различных участков спектра

Красноярск. Вид с высоты 450 км

Физические основы дистанционного зондирования

Радиолокационное изображение местности на юге Красноярского края, полученное с пилотируемого космического аппарата Shuttle (разрешение 100 м)

Физические основы дистанционного зондирования

Главный корпус Сибирского федерального университета

Физические основы дистанционного зондирования

Лесные пожары, обнаруженные со спутников в 2006 г.

Красноярский край и Иркутская область

Физические основы дистанционного зондирования

Затор льда в устье Ангары. Спутник NOAA-14

Физические основы дистанционного зондирования

Оптический диапазон

Физические основы дистанционного зондирования

Спектр Солнца, рассчитанный по формуле Планка

Физические основы дистанционного зондирования

Физические основы дистанционного зондирования

Температурная карта Красноярского края (спутник NOAA-14) 31.01.1999 10:26 по московскому времени

Лекция 2

Методы исследования

в оптическом диапазоне

• Отражение и рассеяние электромагнитного излучения поверхностью в оптическом диапазоне Влияние атмосферы, спутниковые методы изучения атмосферы
• Отражение и рассеяние электромагнитного излучения поверхностью в оптическом диапазоне
• Влияние атмосферы, спутниковые методы изучения атмосферы

Линии поглощения хлорофилла

Методы исследования в оптическом диапазоне

Методы исследования в оптическом диапазоне

Методы исследования в оптическом диапазоне

Озоновый слой в Южном полушарии Земли и антарктическая озоновая дыра, визуализированные по данным спутника EP/TOMS

Методы исследования в оптическом диапазоне

Окна прозрачности атмосферы

Методы исследования в оптическом диапазоне

Методы исследования в оптическом диапазоне

Выброс SO 2 во время извержения вулкана Ключевская сопка 01.10.1994

Выброс заводов Норильска

Методы исследования в оптическом диапазоне

Аэрозольное облако, образовавшееся над Японией в результате лесных пожаров в Иркутской области и Бурятии в мае 2003 г.

Методы исследования в оптическом диапазоне

Лекция 3

Методы изучения Земли из космоса

• Оптические методы Сканер с цилиндрической и с линейной разверткой Мгновенный угол зрения, пространственное разрешение Космическая радиолокация Боковой обзор Синтез апертуры Радиовысотомеры, скаттерометры, радиометры
• Оптические методы
• Сканер с цилиндрической и с линейной разверткой
• Мгновенный угол зрения, пространственное разрешение
• Космическая радиолокация
• Боковой обзор
• Синтез апертуры
• Радиовысотомеры, скаттерометры, радиометры

Методы изучения Земли из космоса

Сканирование качающимся зеркалом

Методы изучения Земли из космоса

Сканер с линейной разверткой

Методы изучения Земли из космоса

г. Красноярск

Разрешение 3 0 м

Разрешение 250 м

Разрешение 1,1 км

Методы изучения Земли из космоса

Полоса обзора

Методы изучения Земли из космоса

Методы изучения Земли из космоса

Схема бокового обзора

Методы изучения Земли из космоса

Сжатие импульсов

Методы изучения Земли из космоса

Синтез апертуры

Методы изучения Земли из космоса

Лекция 4

Орбиты космических аппаратов

• Расчет орбит спутников дистанционного зондирования Особенности орбит спутников дистанционного зондирования
• Расчет орбит спутников дистанционного зондирования
• Особенности орбит спутников дистанционного зондирования

А бсолютн ая систем а координат

Орбиты космических аппаратов

Солнечно-синхронная орбита

Орбиты космических аппаратов

Орбиты космических аппаратов

Лекция 5

Космические аппараты для дистанционного зондирования

• Космические аппараты низкого разрешения Космические аппараты высокого разрешения Малые космические аппараты, проект спутника СФУ
• Космические аппараты низкого разрешения
• Космические аппараты высокого разрешения
• Малые космические аппараты, проект спутника СФУ

Спутник NOAA

Космические аппараты для дистанционного зондирования

Космический аппарат дистанционного зондирования «Ресурс-ДК»

Космические аппараты для дистанционного зондирования

Район строительства Богучанской ГЭС, спутник DMC

Космические аппараты для дистанционного зондирования

Космические аппараты для дистанционного зондирования

Китайский малый спутник из группировки DMC

Космические аппараты для дистанционного зондирования

Внешний вид малого космического аппарата «Юбилейный» (Красноярск)

Космические аппараты для дистанционного зондирования

Целевая аппаратура дистанционного зондирования проектируемого малого спутника Сибирского федерального университета

Космические аппараты для дистанционного зондирования

Лекция 6

Прием данных дистанционного зондирования

• Расчет скорости передачи, размеров антенны и отношения сигнал/шум. Станция «УниСкан-36». Станция «Алиса-ТМ».
• Расчет скорости передачи, размеров антенны и отношения сигнал/шум.
• Станция «УниСкан-36».
• Станция «Алиса-ТМ».

Антенна станции «Алиса-ТМ» с опорно-поворотным устройством

Прием данных дистанционного зондирования

Антенна станции «УниСкан-36» с опорно-поворотным устройством

Прием данных дистанционного зондирования

Прием данных дистанционного зондирования

Место оператора станции «УниСкан-36»

Прием данных дистанционного зондирования

Атмосферный вихрь. Изображение со спутника NOAA-15 получено с помощью станции «Алиса-ТМ»

Прием данных дистанционного зондирования

Лекция 7

Восстановление спутниковых изображений

• Причины геометрических искажений Восстановление геометрических и радиометрических искажений Учет влияния атмосферы
• Причины геометрических искажений
• Восстановление геометрических и радиометрических искажений
• Учет влияния атмосферы

Длина дуги AK, отвечающей развертке внешней поверхности цилиндра G, равна y = AK = R0  . Длина дуги MK, соответствующей кажущемуся изображению x = MK = H  , откуда  = x /H. Таким образом,

y = R  {   arcsin[(1+H/R0)  s in ( x /H)]  x /H} (7.1)

Используя (7.1), можно пересчитать координату x вдоль строки кажущегося изображения в координату вдоль строки реального изображения.

Знание расстояния L позволяет уточнить пространственное разрешение. Минимальная дальность L min =H, при этом разрешение  L=   H; при максимальном угле сканирования  max дальность равна L max , разрешение  L 1 =    L max вдоль направления движения спутника. Но поверхность видна со спутника под углом  max , поэтому поперек направления движения  L 2 =  L 1 / cos  max . Таким образом, на максимальной дальности поперек направления движения пикселы оказываются сжатыми в  L 2 /  L раза, вдоль – в  L 1 /  L раза. Кажущаяся полоса обзора F max =H  max , реальная полоса G max =2  R  max .

Восстановление спутниковых изображений

Для спутников с малой полосой обзора (спутник "Ресурс-О1-3", сканер МСУ-Э; спутник SPOT, сканер HRVIR) геометрические искажения изображений за счет кривизны Земли при наблюдении в надир незначительны. Искажения возникают при отклонении оси сканирования от надира, которое может достигать ~30˚ ( перспективные искажения ). Это иллюстрирует рисунок на следующем слайде, построенный на основании (1.15), где в центре показана полоса шириной 45 км  область кажущегося изображения при отклонении оси сканера МСУ-Э на 30˚. В действительности изображение несколько вытянуто вдоль направления сканирования (60,5км). При этом разрешение вдоль направления движения спутника составляет  L 1 =41м на максимальной дальности и  L 1 =39м на минимальной, в то время как в надире  L 1 =35м. В надире для МСУ-Э разрешение вдоль линии сканирования  L 2 = 45м, при отклонении оси сканирования на 30˚  L 2 =60м.

Восстановление спутниковых изображений

Восстановление спутниковых изображений

u k = а o + а 1 х k + а 2 у k + a 3 x k y k + a 4 x k 2 + a 5 y k 2 .

v k = b o + b 1 x k + b 2 у k + b 3 x k y k + b 4 x k 2 + b 5 y k 2 .

Восстановление спутниковых изображений

Лучшим выходом из положения была бы установка по всей поверхности суши обширной сети солнечных спектрофотометров. Назначение этих приборов  измерение в различных участках спектра интенсивности солнечного излучения I , прошедшего через атмосферу. Зная интенсивность I о за пределами атмосферы, по закону Бугера I = I o exp (  tsecδ ) можно оценить t для разных длин волн оптического диапазона: t =1/ secδ · ln I o / I . Здесь δ  зенитный угол Солнца

Восстановление спутниковых изображений

Лекция 8

Технические средства

обработки изображений

• Ввод и вывод изображений в ЭВМ Особенности визуализации изображений
• Ввод и вывод изображений в ЭВМ
• Особенности визуализации изображений

Полутоновое Бинарное Линейное Точечное

f = m 1  E 1 + m 2  E 2 + m 3  E 3 .

Основные цвета:  1 = 0,7 мкм ( красный  R ) ;

 2 = 0,5461 мкм ( зеленый  G ) ;

 3 = 0,4358 мкм ( голубой  B ) .

Технические средства обработки изображений

Растровая графика

Векторная графика

Технические средства обработки изображений

Планшетный сканер

Световой поток попадает через линзовый объектив в ПЗС-матрицу, которая обычно состоит из трех ПЗС-линеек с пленочными или матричными светофильтрами

Твердые копии получают с помощью принтеров и плоттеров. Матричные принтеры мало пригодны для вывода изображений. Струйные принтеры обеспечивают значительно лучшее качество при той же цене, что и матричные. В конструкции современных принтеров чаще всего используется одна из двух технологий  пьезоэлектрическая или термическая, различающиеся способом вывода струи красителя из печатающей головки.

Пьезоэлектрическая техника drop - on - demand (капля по требованию) использует печатающие головки, в которых размещены миниатюрные пьезоэлектрические пластинки. С компьютера на пластинку подаются электрические импульсы, пластинка изменяет свои размеры, а в заполненном чернилами канале увеличивается давление, что в свою очередь приводит к выбрасыванию капли красителя. Скорость движения капли  около 20 м/с. Диаметр сопла составляет не менее 15  25 мкм (это ограничено технологией), диаметр вылетевшей из него капли примерно вдвое превышает диаметр сопла и равен 30-50 мкм, при ударе о лист бумаги капля несколько расплывается. Таким образом, разрешение струйного принтера при диаметре сопла 20 мкм составляет 25 мм/0,04 мм, т. е. около 600 точек на дюйм.

Технические средства обработки изображений

Лекция 9

Форматы графических файлов

• Классы изображений Сжатие изображений с потерями и без потерь Особенности некоторых форматов графических файлов
• Классы изображений
• Сжатие изображений с потерями и без потерь
• Особенности некоторых форматов графических файлов

Исходное изображение 1,46 Мбайт RLE 479 Кбайт, LZW 436 Кбайт, JPEG 65 Кбайт

Форматы графических файлов

TIFF 300 Кб, JPEG 50 Кб на глаз разница не заметна. На правом рисунке разность между двумя изображениями

Форматы графических файлов

Лекция 10

Модели изображений.

Преобразования яркости и контраста

• Авторегрессионная модель Гистограммные преобразования
• Авторегрессионная модель
• Гистограммные преобразования

Модель космоснимка леса в виде совокупности кружков различного диаметра, случайным образом размещенных на плоскости

Модели изображений. Преобразование яркости и контраста

Трехточечная авторегрессионная модель

f i , j =  1 + ρ 1 ( f i  1, j   1 ) + ρ 2 ( f i , j  1   1 ) – – ρ 1 ρ 2 ( f i  1, j  1   1 )+ σ √ 1  ρ 1 2  ρ 2 2 + ρ 1 2 ρ 2 2  h i , j ,

где i    номер строки;

j    номер пиксела в строке;

ρ 1 и ρ 2 – коэффициенты корреляции значений яркости рядом расположенных пикселов в соседних строках и в одной строке;

h i ,j    одинаково распределенные независимые случайные величины с нулевой, средней и единичной дисперсиями.

Модели изображений. Преобразование яркости и контраста

Изображение, построенное по трехточечной модели

Модели изображений. Преобразование яркости и контраста

Гистограмма яркости пикселов изображения

Модели изображений. Преобразование яркости и контраста

Л инейная растяжка гистограммы

Путем цифровой обработки контраст можно повысить, изменяя яркость каждого элемента изображения и увеличивая диапазон яркостей. Для этого разработано несколько методов. Пусть, например, уровни некоторого полутонового изображения занимают интервал от 6 до 158 со средним значением яркости 67 при возможном наибольшем интервале значений от 0 до 255. На следующем слайде слева приведена гистограмма яркостей исходного изображения, показывающая, сколько пикселов N с близким значением яркости f попадает в интервал от f i до f + ∆ f i . Это изображение является малоконтрастным, превалирует темный оттенок. Возможным методом улучшения контраста может стать так называемая линейная растяжка гистограммы ( stretch ), когда уровням исходного изображения, лежащим в интервале [ f мин , f макс ], присваиваются новые значения с тем, чтобы охватить весь возможный интервал изменения яркости, в данном случае [0, 255]. При этом контраст существенно увеличивается ( правый рисунок ).

Модели изображений. Преобразование яркости и контраста

Гистограмма, отвечающая равномерному закону распределения

Модели изображений. Преобразование яркости и контраста

Эквализация гистограммы

Модели изображений. Преобразование яркости и контраста

Лекция 11

Линейная пространственно- инвариантная фильтрация

• Задачи фильтрации. Функция рассеяния точки
• Глобальная и локальная фильтрации

Функция рассеяния точки

a 11   a 12   a 11

a 12   a 22   a 12

a 11   a 12   a 11

∞

g ( x , y ) =  ∫ ∫ f ( x ', y ') h 1 ( x – x ', y – y ') dx ' dy ‘;

– ∞

∞

К ( u , v ) = ∫ ∫ h 1 ( x , y ) exp[  2π i ( ux + vy )] dxdy ;

- ∞

∞

F ( u , v ) = ∫ ∫ f ( x , y ) exp[  2π i ( ux + vy )] dxdy ;

– ∞

G ( u , v ) = F ( u , v )· К ( u , v ).

Линейная пространственно-инвариантная фильтрация

Лекция 12

Фильтрация в пространственной области

• Локальная фильтрация Фильтры для подавления шума Фильтры для выделения контуров
• Локальная фильтрация
• Фильтры для подавления шума
• Фильтры для выделения контуров

72

a 11   a 12   a 13

H   =   1 / K a 21   a 22   a 23

a 31   a 32   a 33

g ij  = ∑ а k 1   f i + k , j + 1 ,

D

Фильтрация в пространственной области

72

72

Оригинал Маска 3х3 Маска 7х7

Фильтрация в пространственной области

Оператор Лапласа

0   – 1 0

H   =   – 1  4   – 1

0   – 1   0

Фильтрация в пространственной области

Фильтрация в пространственной области

76

76

Ф ильт р Роберт c а Ф ильт р Собела

Фильтрация в пространственной области

76

76

Лекция 13

Сегментация изображений

• Пороговая сегментация Сегментация путем наращивания областей Сегментация путем выделения границ
• Пороговая сегментация
• Сегментация путем наращивания областей
• Сегментация путем выделения границ

Пороговая

сегментация

Сегментация изображений

Исходное изображение

Сегментация изображений

Результат сегментации наращиванием областей

Сегментация изображений

Лекция 14

Распознавание изображений

• Основы общей теории распознавания образов Кластерный анализ Параметрические и непараметрические методы классификации
• Основы общей теории распознавания образов
• Кластерный анализ
• Параметрические и непараметрические методы классификации

Результат применения алгоритма ISODATA без обучения

Распознавание изображений

Р ( A i / B )

 

Вероятное Известное

Эту условную вероятность называют апостериорной . Ее можно вычислить по теореме Байеса :

P ( A i / B ) P ( A i ) Р ( B / A i )

P ( A i / B ) =  ——— = ——————— .

P ( B )  P ( A i ) P ( B / A i )

i

Распознавание изображений

Лекция 15

Параметрические методы классификации

• Роль нормального закона распределения в задачах классификации изображений Метод максимального правдоподобия Метод минимальных расстояний Метод параллелепипедов
• Роль нормального закона распределения в задачах классификации изображений
• Метод максимального правдоподобия
• Метод минимальных расстояний
• Метод параллелепипедов

П опиксельн ая классификаци я участк а тайги ( слева ) по методу максимального правдоподобия

1 – хвойные древостои; 2 – смешанные древостои; 3 – лиственные древостои; 4 – гари; 5 – вырубки, дороги и другие элементы ландшафта, лишенные растительности

Параметрические методы классификации

Метод минимальных расстояний

n

r k 2 =  ( f ijm –  mk ) 2

M =1

Параметрические методы классификации

Метод параллелепипедов

Параметрические методы классификации

88

88

Лекция 16

Непараметрические методы классификации

• Робастные алгоритмы Ранговый алгоритм Декорреляция фона
• Робастные алгоритмы
• Ранговый алгоритм
• Декорреляция фона

Ранговый алгоритм

х 1

4

х 2

х 3

3

х 4

13

8

х 5

5

х 6

18

х 7

х 8

9

х 9

6

11

х 10

15

Непараметрические методы классификации

R =55, если ЛКП отсутствует , R =76, если ЛКП имеется

R i

1

3

2

х i

3

х 2

4

х 1

4

5

х 5

5

6

х 8

8

6

7

х 4

9

8

11

х 7

9

х 9

13

х 3

10

15

х 1

18

х 6

Без ЛКП

R i

1

х i

С ЛКП

2

3

R i

3

4

4

у i

5

1

2

5

3

6

3

6

4

8

5

7

7

9

8

11

8

11

9

13

9

13

10

10

15

15

18

11

18

24

12

13

24

24

Непараметрические методы классификации

Четырехточечная модель

f ( i , j ) = α[ f ( i –1, j ) + f ( i , j –1)+ f ( i +1, j )+ f ( i , j +1)] + z ( i , j )

min { f ( i , j ) – α[ f ( i –1, j ) + f ( i , j –1 )+ f ( i +1, j )+ f ( i , j +1) + z ( i , j ) ]} 2

0 – 0,25 0

– 0,25 1 – 0,25

0 – 0,25 0

Непараметрические методы классификации

Лекция 17

Нейрокомпьютеры в обработке изображений. Метод главных компонентов

• Особенности применения нейрокомпьютеров Главные компоненты многоспектрального изображения
• Особенности применения нейрокомпьютеров
• Главные компоненты многоспектрального изображения

93

Стандартный формальный нейрон

Нейрокомпьютеры в обработке изображений. Метод главных компонентов

93

93

Метод главных компонентов

G = ( g 1 , g 2 ,…, g m ) H = ( h 1 , h 2 ,..., h n ):

H = P G

[ R –  I ] = 0, I – единичная матрица

R = P  P T P –1 ≡ P

Нейрокомпьютеры в обработке изображений. Метод главных компонентов

Результат преобразования многоспектрального изображения

Канал 1 Канал 2 Канал 3 Канал 4

Канал 5 Канал 6 Канал 7

λ1 = 890,14 λ2 = 114,83 λ3 = 15,53 λ4 = 3,85 λ5 = 1,79 λ6 = 1,78 λ7 = 0,76 86,53 % 11,16 % 1,51 % 0,37 % 0,17 % 0,17 % 0,07%

Нейрокомпьютеры в обработке изображений. Метод главных компонентов

Результат визуализации многоспектрального изображения

Использованы 1–3 главных компонента, которые вобрали в себя основные черты семи исходных. Произошла кластеризация изображения, четко выделились объекты: водоемы (черный цвет),

хвойные деревья (зеленый цвет), лиственные деревья (розовый цвет) , трава (оранжевый цвет)

Нейрокомпьютеры в обработке изображений. Метод главных компонентов