Материалы 17-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 2019 год

(http://conf.rse.geosmis.ru)

Подготовка данных для автоматического распознавания открытого грунта и областей замусоривания по космическим изображениям на примере Московского региона

Гвоздев О.Г. (1,2), Касинская К.А. (3,2), Мурынин А.Б. (2,4), Рихтер А.А. (2)
(1) МИИГАиК, Москва, Российская Федерация
(2) НИИ "АЭРОКОСМОС", Москва, Российская Федерация
(3) Московский физико-технический институт (государственный университет), Москва, Российская Федерация
(4) Федеральный исследовательский центр "Информатика и управление" РАН (ФИЦ ИУ РАН), Москва, Российская Федерация
Области открытого грунта и открытого мусорного покрова (ОГМ) на земной поверхности существуют объективно, независимо от регистрирующей аппаратуры и обладают рядом специфических признаков, отличающих их от окружающих фонов. Области данных классов неразрывны, имеют организованную или неорганизованную формы, обусловленную, например, мусорными полигонами или стихийными свалками соответственно. При этом к ним не относятся области, близкие по текстуре: к открытому грунту – грунтовые дороги, асфальтированные площадки, состриженная или редкая растительность и др.; к открытому замусориванию – кладбища самолётов, людей, насыпи грунта, склады, автостоянки и др.
На спутниковых изображениях ОГМ, одной стороны, легко различаются по визуальным признакам человеком, но с другой – с трудом поддаются дешифрированию классическими методами цифровой обработки. Последнее обусловлено тем, что ОГМ располагают сложной системой дешифровочных признаков. По ним данные объекты легко обнаружить ручным, но проблематично – автоматизированным путём. В связи с этим, следует прибегнуть к интеллектуальной обработке снимков, совмещающей визуальную и цифровую обработку, основанной на использовании искусственных нейронных сетей (ИНС). Однако, как показали исследования, здесь также возникают сложности, связанные с построением обучающей и валидационной выборок, которые полностью предопределяют качество ИНС при её дальнейшем тестировании и функционировании.
Основная задача исследования состоит в разработке методов выделения этих признаков на изображениях достаточно высокого качества для дальнейшей разработки методов и алгоритмов автоматизированного и автоматического детектирования ОГМ на спутниковых изображениях.
В работе проводится экспертный анализ оптических космических снимков высокого пространственного разрешения с целью формирования набора областей интереса, используемых для обучения и тестирования разрабатываемых методов и алгоритмов. Сформированы обучающая и тестовая выборки на основе обработанных снимков для разработки алгоритмов выделения классов открытого грунта и открытого замусоривания на земной поверхности.
Существенными для выделения мусорного покрова или открытого грунта являются фрактальные признаки, которые зависят от пространственной упорядоченности элементов изображения. Представлены подходы к детектированию данных областей, основанные как на классическом фрактальном анализе изображений, так и на применении ИНС. Описан алгоритм построения поля фрактальной размерности и семантической сегментации на основе ИНС топологий U-Net, ResNet и техники Squeeze-and-Excitation, которая позволяет учитывать характеристики освещения для всего изображения. Получены оценки точности классификации для разработанных алгоритмов по подготовленным выборкам. Проведен анализ особенностей и ограничений применимости классических и нейросетевых методов обработки спутниковых изображений для выделения областей замусоривания земной поверхности.
Исследования проведены в рамках проекта Минобрнауки РФ № RFMEFI60719X0312.

Ключевые слова: искусственная нейронная сеть, область замусоривания, открытый грунт, открытое замусоривание, дешифрирование, детектирование, космическое изображение, спутниковое изображение, цифровая обработка, визуальное дешифрирование, дешифровочные признаки, информационные признаки, обучающая выборка, тестовая выборка, валидационная выборка
Литература:
  1. Гвоздев О.Г., Касинская К.А., Мурынин А.Б., Рихтер А.А. Получение информации об антропогенном замусоривании земной поверхности по данным спутниковой съёмки // Материалы конференции SLS, Рим, 2019 (в печати).
  2. Липилин Д.А. Особенности дешифрирования свалок на территории Краснодарского края по материалам спутниковых снимков (методика и результаты) // Географические исследования Краснодарского края. — 2007. — № 7. — С. 243–250.
  3. Дударева Д.А., Гарифзянов Р.Д. Техническое и программное обеспечение аэрофотосъемки с беспилотных летательных аппаратов для исследования объектов размещения отходов // Химия. Экология. Урбанистика. — 2018. — Т. 1. — С. 378–382.
  4. Рихтер А.А. Комплексная методика автоматизированного обнаружения и оценки параметров объектов захоронения отходов по данным космической съёмки : монография / А.А, Рихтер. – М.: ИНФРА-М. 2020. – 205 с. – (Научная мысль). – DOI 10.12737/990350.
  5. Мурынин А.Б., Рихтер А.А., Шахраманьян М.А. Выбор информативных признаков для выделения областей размещения отходов по космическим изображениям высокого пространственного разрешения // Исследование Земли из космоса. — 2019. — № 2. — С. 29–44.
  6. Хайкин Саймон/ Нейронные сети. Полный курс. — Вильямс. — 2018. — 1104 с.
  7. Dey V., Zhang Y., Zhong M. A review on image segmentation techniques with remote sensing perspective Proc. ISPRS TC VII Symposium, IAPRS. — 2010. — Vol. 38, Part 7A. — P. 31–42.
  8. Зельдович Я.Б., Соколов Д.Д. Фракталы, подобия, промежуточная асимптотика // Успехи физических наук. — 1985. — Т. 146, Вып. 3. — С. 493–506.

Презентация доклада

Методы и алгоритмы обработки спутниковых данных

23