Дипломная работа: Обработка и визуализация объектов на космических изображениях средствами пакета Contour

Самым полезным свойством пространства xy является наглядное представление производных цветов. Для любого набора основных цветов все воспроизводимые путем их смешения цвета будут располагаться в пространстве xy внутри минимального выпуклого многоугольника, описывающего точки основных цветов. Если смешивать два основных цвета A и B, то все цвета, которые можно получить таким смешением, будут располагаться на отрезке AB плоскости xy. Если основных цветов три - все возможные производные цвета будут располагаться в треугольнике, образуемом основными. Если, например, в каждом пикселе монитора мы смешиваем основные цвета RGB, выбранные как показано на рисунке, несложно определить треугольник цветов, которые такой монитор способен воспроизвести. Хорошо видно, что никакой монитор, даже при идеальных монохромных пикселях, не сможет воспроизвести все видимые цвета. Впрочем, это мы знали и раньше: в противном случае не возникло бы необходимости в цветах XYZ.

Поскольку производные от двух цветов всегда лежат на соединяющем их отрезке, очевидно, что для любого цвета можно подобрать второй, который в смешении с ним будет давать белый. Цвета, смешением которых в определенных пропорциях можно получить белый, называются дополнительными. При этом говорят обычно о чистых цветах, т.е., фактически, о тонах.

Во всех случаях реального воспроизведения цветов нас мало интересуют цвета нереальные, а также реальные, но невоспроизводимые. Вполне естественным в таком случае будет использование основных цветов воспроизводящего устройства в качестве базисных векторов пространства. Для традиционных красного, зеленого и синего получим трехмерное RGB-пространство, область реальных цветов которого ограничена кубом (рис.1.8):

Рис.1.8 RGB-пространство

В единичных точках на осях RGB мы имеем основные цвета, в начале координат черный, в точке (1, 1, 1) - белый, а при попарном смешении основных цветов получаем дополнительные к третьему: циан, мадженту и желтый. Все остальные воспроизводимые нашим устройством цвета располагаются внутри куба [15].

Попробуем теперь отделить цветовую информацию от яркостной. Сместим немного точку наблюдения так, чтобы белый цвет совпал с черным, и нарисуем полностью цвета ярких граней куба (рис.1.9):

Рис.1.9 RGB-куб. Направление [111]

Яркость теперь снова можно считать расстоянием до начала координат. Сгладив углы шестиугольника на иллюстрации, получим хорошо всем знакомый цветовой круг (рис.1.10):

Рис.1.10 Цветовой круг

Любой цвет на таком круге задается в полярной системе координат: цветовой тон определяет угол, а насыщенность - расстояние от центра (белого). Вспомнив про яркостную составляющую, и дополнив ею систему координат до цилиндрической, получаем HSB - еще одно пространство для описания любого цвета. Заметим на этот раз, что не совсем любого, а любого воспроизводимого [16].

HSB (HSV), HSL, LCH

HSB (Hue, Saturation, Brightness) = тон, насыщенность, яркость;

HSV (Hue, Saturation, Value) = тон, насыщенность, значение;

HSL (Hue, Saturation, Lightness) = тон, насыщенность, светлота;

LCH (Lightness, Chroma, Hue) = светлота, цветность, тон.

Различия перечисленных цветовых пространств сродни различию светлоты и яркости: термины, в принципе, разные, но на понятийном уровне эквивалентные. Все они описывают координаты цвета в цилиндрических координатах. Численные определения могут различаться, но hue всегда задает цветовой тон, saturation/chroma - насыщенность, а brightness/lightness/value - высоту в цилиндре, путь от белого к черному.

Одно и то же изображение может быть представлено в памяти ЭВМ двумя принципиально различными способами и получено два различных типа изображения: растровое и векторное. Рассмотрим подробнее эти способы представления изображений, выделим их основные параметры и определим их достоинства и недостатки.

Что такое растровое изображение?

Возьмём рисунок (рис.1.11). Конечно, она тоже состоит из маленьких элементов, но будем считать, что отдельные элементы мы рассмотреть не можем. Она представляется для нас, как реальная картина природы.

Теперь разобьём это изображение на маленькие квадратики (маленькие, но всё-таки чётко различимые), и каждый квадратик закрасим цветом, преобладающим в нём (на самом деле программы при оцифровке генерируют некий "средний" цвет, т.е. если у нас была одна чёрная точка и одна белая, то квадратик будет иметь серый цвет) [17].

Как мы видим, изображение стало состоять из конечного числа квадратиков определённого цвета. Эти квадратики называют pixel (от PICture ELement) - пиксел или пиксель.

Рис.1.11 Исходное изображение

Теперь каким-либо методом занумеруем цвета. Конкретная реализация этих методов нас пока не интересует. Для нас сейчас важно то, что каждый пиксель на рисунке стал иметь определённый цвет, обозначенный цифрой (рис.1.12).

Рис.1.12 Фрагмент оцифрованного изображения и номера цветов

Теперь пойдём по порядку (слева направо и сверху вниз) и будем в строчку выписывать номера цветов встречающихся пикселей. Получится строка примерно следующего вида:

1 2 8 3 212 45 67 45 127 4 78 225 34.

Вот эта строка и есть наши оцифрованные данные. Теперь мы можем сжать их (так как несжатые графические данные обычно имеют достаточно большой размер) и сохранить в файл [18].

Итак, под растровым (bitmap, raster) понимают способ представления изображения в виде совокупности отдельных точек (пикселей) различных цветов или оттенков. Это наиболее простой способ представления изображения, ибо таким образом видит наш глаз.

Достоинством такого способа является возможность получения фотореалистичного изображения высокого качества в различном цветовом диапазоне. Недостатком - высокая точность и широкий цветовой диапазон требуют увеличения объема файла для хранения изображения и оперативной памяти для его обработки.

Для векторной графики характерно разбиение изображения на ряд графических примитивов - точки, прямые, ломаные, дуги, полигоны. Таким образом, появляется возможность хранить не все точки изображения, а координаты узлов примитивов и их свойства (цвет, связь с другими узлами и т.д.) [19].

Вернемся к изображению на рис.1.11 Взглянем на него по-другому. На изображении легко можно выделить множество простых объектов - отрезки прямых, ломанные, эллипс, замкнутые кривые. Представим себе, что пространство рисунка существует в некоторой координатной системе. Тогда можно описать это изображение, как совокупность простых объектов, вышеперечисленных типов, координаты узлов которых заданы вектором относительно точки начала координат (рис.1.13).

Рис.1.13. Векторное изображение и узлы его примитивов

Проще говоря, чтобы компьютер нарисовал прямую, нужны координаты двух точек, которые связываются по кратчайшей прямой. Для дуги задается радиус и т.д. Таким образом, векторная иллюстрация - это набор геометрических примитивов.

Важной деталью является то, что объекты задаются независимо друг от друга и, следовательно, могут перекрываться между собой.

При использовании векторного представления изображение хранится в памяти как база данных описаний примитивов. Основные графические примитивы, используемые в векторных графических редакторах: точка, прямая, кривая Безье, эллипс (окружность), полигон (прямоугольник). Примитив строится вокруг его узлов (nodes). Координаты узлов задаются относительно координатной системы макета. Изображение будет представлять из себя массив описаний. Каждому узлу приписывается группа параметров, в зависимости от типа примитива, которые задают его геометрию относительно узла. Например, окружность задается одним узлом и одним параметром - радиусом. Такой набор параметров, которые играют роль коэффициентов и других величин в уравнениях и аналитических соотношениях объекта данного типа, называют аналитической моделью примитива [20].

Векторное изображение может быть легко масштабировано без потери деталей, так как это требует пересчета сравнительно небольшого числа координат узлов. Другой термин - "object-oriented graphics".

Самой простой аналогией векторного изображения может служить аппликация. Все изображение состоит из отдельных кусочков различной формы и цвета (даже части растра), "склеенных" между собой. Понятно, что таким образом трудно получить фотореалистичное изображение, так как на нем сложно выделить конечное число примитивов, однако существенными достоинствами векторного способа представления изображения, по сравнению с растровым, являются:

векторное изображение может быть легко масштабировано без потери качества, так как это требует пересчета сравнительно небольшого числа координат узлов;

графические файлы, в которых хранятся векторные изображения, имеют существенно меньший, по сравнению с растровыми, объем (порядка нескольких килобайт) [21].

Как видно, векторным можно назвать только способ описания изображения, а само изображение для нашего глаза всегда растровое [22].

Постановка задачи

Дешифрирование космических снимков, один из методов изучения местности по её изображению, полученному посредством космической съёмки. Заключается в выявлении и распознавании объектов, установлении их качественных и количественных характеристик, а также регистрации результатов в графической (условными знаками), цифровой и текстовой формах [23]. Дешифрирование имеет общие черты, присущие методу в целом, и известные различия, обусловленные особенностями отраслей науки и практики, в которых оно применяется наряду с другими методами исследований.

Эффективность дешифрирования, т.е. раскрытия содержащейся в снимках информации, определяется особенностями изучаемых объектов и характером их передачи при космической съёмке (дешифровочными признаками), совершенством методики работы, оснащённостью приборами и свойствами исполнителей дешифрирования. В ряду дешифровочных (демаскирующих) признаков различают прямые и косвенные (нередко с выделением комплексных). К прямым признакам относят: размеры, форму, тени собственные и падающие (иногда их считают косвенным признаком), фототон или цвет и сложный признак - рисунок или структуру изображения. К косвенным - указывающие на наличие или характеристику объекта, хотя он и не получил непосредственного отображения на снимке из космоса в силу условий съёмки или местности. Например, растительность и микрорельеф являются индикаторами при дешифрировании задернованных почв.

Цели работы:

1)  разработать программный пакет для обработки космических изображений;

2)  провести сравнительный анализ программ Contour и Erdas Imagine для оценки качества реализации собственного алгоритма сегментации;

3)  с помощью собственного алгоритма сегментации провести анализ двух съемочных систем на примере Landsat ETM+ и Spot5 для установления разницы в снимках с различным пространственным разрешением.

В задачи исследования входят:

1.  анализ алгоритмов распознавания изображений;

2.  выявление оптимального по скорости и качеству алгоритма сегментации;

3.  составление блок-схемы программы по распознаванию изображений на основе выбранного алгоритма;

4.  ознакомление с географическими информационными системами (ГИС), растровой и векторной моделей данных и их форматными представлениями;

5.  выявление подходящего векторного формата для последующего его применения в ГИС-проектах;

6.  создание географической привязки;

7.  векторизация растровых контуров и сохранение в виде shp-файлов;

8.  подобрать каналы с максимальной информативностью

Для решения задачи дешифрирования разработаны профессиональные программные пакеты, которые по своим функциям удовлетворяют предъявляемым требованиям. Основным недостатком этих пакетов является высокая стоимость, большие требования к системным ресурсам используемых персональных компьютеров и сложность в эксплуатации этих программ.

В пакет программного обеспечения входит (рис.2.1):

Рис.2.1 Блок-схема программы

Автоматическое выделение границ основано на сегментации путем наращивания областей. Блок-схема данного алгоритма представлена на рис.2.2.

Рис.2.2 Блок-схема алгоритма сегментации путем наращивания областей

Блок-схема программного обеспечения "Contour" по работе с растровыми изображениями (рис.3.1).

Рис.3.1 Блок-схема программы

Опишем более подробно все этапы алгоритма:

·  На начальном этапе производим загрузку растрового изображения в любом графическом формате (TIF, BMP, JPG…). Рекомендуется в BMP, т.к. данный формат не предусматривает сжатия, и соответственно потерь уже на начальном этапе.

·  Далее заносим все необходимые сведения о сцене для дальнейшей работы: проекции, зоны, датума, сфероида (для географической привязки и правильного отображения полигонов в ГИС), верхнего левого угла (для расчета размеров снимка), пространственного разрешения пикселя (для подсчета площадей и периметров полигонов).

·  Теперь можно приступать к оконтуриванию гарей (или других объектов) методом сегментации путем наращивания областей. Однородность области проверяется на уровне порогов трех компонент RGB-композита. Осуществлена реализация ручной задачи данных порогов.

·  Зная пространственное разрешение можно подсчитать площадь и периметр гари по количеству входящих в полигон пикселей. Каждому выделенному объекту присваивается идентификационный номер, и все сведения заносятся в базу данных.

·  Затем следует сохранение контуров в бинаризованном виде (0 - фон, 1 - граница).

·  Привязка к мировым географическим координатам.

·  Далее путем векторизации растровых полигонов получение векторного типа данных.

·  Полученные векторные данные хранятся в базе данных, которую уже можно использовать для дальнейшей работы в мировых ГИС-стандартах.

·  И на данном последнем этапе загрузка векторных полигонов в ГИС-проекты.

Рис.3.2 Вид рабочего окна программы "Contour"

Программа "Contour" (рис.3.2) может выполнять следующие операции и функции:

·  Изменять масштаб изображения, задаваемый как бегунком так и ручным вводом;

·  Отслеживать внутренние и мировые географические координаты под курсором мыши и выводить их в статусной строке;

·  Отслеживать RGB-компонент под курсором мыши и выводить их в статусной строке;

·  Кнопка "Добавить" добавляет новый контур и присваивает ему уникальный идентификационный номер;

·  В ручном режиме оконтуривания левой клавишей мыши выставляются вершины контура в реальном времени;

·  В ручном режиме оконтуривания правой клавишей мыши обнуляются всех выставленные вершины;

·  Задание Х и У - координат верхнего левого угла сцены;

·  Задание пространственного разрешения снимка;

·  Подсчитывание в реальном времени площади и периметра контура;

·  Отслеживание количества выставленных вершин и выведение их в статусной строке;

·  Изменение прозрачности для любого контура в любой момент времени;

·  Кнопка "Удалить" (или клавиша "Del") удаляет любой выбранный контур;

·  При выборе контура в таблице (или при нажатии клавиши "Ins") происходит "подсвечивание" контура на изображении;

·  Через меню "Правка" удаляются последний и/или все контуры;

·  Через меню "Файл" открытие снимка в графическом формате;

·  Через меню "Файл" открытие контура (осуществляется только в том случае, если размеры снимка и контура совпадают);

·  Через меню "Файл" сохраняется контура (-ов) в графическом формате BMP с файлом географической привязки к мировым координатам.

·  В автоматическом выделении щелчок левой кнопки мыши запускает процесс выделения объекта;

·  В автоматическом выделении выставление порога RGB-композита устанавливается по порядку в соответствующих полях для R,G и B - компонент.

Проведен сравнительный анализ на основе значений площадей при помощи программы Contour, с результатами дешифрирования участков, полученных в геоинформационном пакете ERDAS IMAGINE 9.1 используемым в настоящее время в Центре космического мониторинга и Институте леса.

Для того чтобы проводить сравнение нечетких спорных объектов, нужно сначала удостоверится на проверке оконтуривания простой однотонной геометрической фигуры (рис.3.3).

Рис.3.3 Сравнение полученных контуров (слева - в пакете "Contour", справа - в пакете "Erdas Imagine")

Площадь круга в обеих программах составила одинаковое значение - 7870 квадратных единиц. Это говорит о том, что программное обеспечение собственной разработки работает корректно и пригодно для последующей проверки более сложных областей на космических снимках.

Сравнены реальные объекты, присутствующие на снимках. Сначала в качестве простой задачи взяты три области лесных вырубок, потому что они имеют четкий контур и отличительно однотонный светло-зеленый фон. На рис.3.4 и рис.3.5 представлены контуры, полученные в программах "Contour" и "Erdas" соответственно.

Рис.3.4 Контур вырубок, полученный в программе "Erdas"

Рис.3.5 Контур вырубок, полученный в программе "Contour"

Таблица 3.1

Сравнение площадей программ

Как видно из таблицы 3.1, минимальное расхождение в результатах составляет доли процента. Это связано в различии пороговых значений в "Contour" и евклидова расстояния в "Erdas".

И наконец, сравнены наиболее сложные области (имеющие большое количество классов), но так необходимые для повсеместного анализа - гари.

Рис.3.6 Контур гари, полученный в программе "Contour"

Рис.3.7 Контур гари, полученный в программе "Erdas"

Разница в площадях между контурами на рис.3.7 и рис.3.7 более 15%. Согласно зрительному дешифрованию, "Erdas" не должен был выделять область справа (отделена красной чертой). Здесь как раз и скрыты различия в алгоритмах выделения областей между программами. Это связано с тем, что в программе "Erdas" происходит выделение области по спектральным данным снимка, тогда как в программе "Contour" используется цветовая палитра RGB-композита, значение порога которой используется как своеобразный классификатор и полностью схож с принципом зрительного различения цветов. С помощью пакета Contour проведен сравнительный анализ съемочных систем на примере Landsat ETM+ и Spot5 для установления разницы в площадях на снимках с различным пространственным разрешением. Пространственное разрешение спектрометра Landsat 30м, Spot5 - 15м.

Рис.3.8 Контур области снимка Landsat

Рис.3.9 Контур области снимка Spot

Было проведено десять измерений различных областей.

Таблица 3.2

Сравнение площадей съемочных систем

Среднее расхождение составило 7,9%. Это связано с большим пространственным разрешением у системы Spot. Так же можно отметить, что при сравнении малых областей, процент расхождения более высок, чем при сравнении больших областей. В дальнейшем, при работе со снимками Spot можно делать поправку на найденное процентное расхождение для сравнения этих съемочных систем.

Страницы: 1, 2, 3