Уточнение границ объектов сельхозназначения методами интеллектуального анализа данных дистанционного зондирования Земли

Исследование посвящено изучению возможностей использования спутниковых данных и методов интеллектуального анализа при оценке границ и площадей объектов сельскохозяйственного назначения. Под последними подразумеваются сельскохозяйственные угодья, то есть пашни, пастбища, сенокосы, залежи, земли, занятые многолетними насаждениями (сады, плодово-ягодные питомники и др.).
Границы посевных площадей, сельскохозяйственных объектов не являются постоянными и неизменными. С течением времени они подвергаются трансформациям, иногда значительным. В настоящее время выделение границ посевных площадей на снимках производится операторами вручную. Данный процесс требует больших трудозатрат. Поэтому в данном исследовании сделана попытка разработать методы автоматического выделения и распознавания посевных площадей.
В рамках исследования из свободных источников были получены снимки с изображениями территорий, занятых посевными площадями. Полученные изображения подвергались при помощи разрабатываемого программного продукта преобразованию в бинарные, а также обработке методами математической морфологии (ММ): применялись операции эрозии и дилатации с использованием различных масок.
Методы ММ, которые основываются на теории множеств, предоставляют единый подход к решению большого числа различных задач обработки изображений. В ММ под множествами понимают имеющиеся на изображении объекты. Множество всех пикселей черного цвета, принадлежащих бинарному изображению, к примеру, является одним из вариантов его полного морфологического описания. Множества бинарных изображений есть подмножества двумерного целочисленного пространства, включающего элементы в виде двумерных векторов (x, y). Координаты указанных векторов указывают на пиксель черного (или, в соответствии с принятым соглашением, белого) цвета. Цифровые изображения в оттенках серого можно представить в виде множеств, включающих элементы трехмерного пространства. В указанном случае двумя координатами элемента множества определяются координаты пикселя, а третья координата в точке изображения с заданными координатами определяется дискретным значением яркости. Морфологические множества существуют и в пространствах более высокой размерности. В указанном случае дополнительные координаты позволяют описать другие (к примеру, цветовые) характеристики изображения [1].
В данном исследовании было решено использовать маски размером 3x3. Выбор такой структуры маски связан с тем, что при применении морфологической операции к непрямым линиям в контурах дает больший положительный эффект сохранения образа внутреннего пространства.
После морфологической обработки снимка производилось выделение границ максимально возможного числа объектов сельхозназначения, полностью попавших на снимок. Получены результаты исследования при помощи разрабатываемого программного продукта двух снимков одной и той же местности из разных источников с идентичными параметрами преобразования (выделенные границы наложены на исходное изображение).
Так как изображения, предъявляемые к обработке, очень часто содержат много избыточных малоинформативных сведений, занимающих большие памяти и требующих выполнения большого количества вычислений при попытке использовать их для распознавания [2], существует проблема выбора наиболее информативных признаков. Для этого вычисляют информативность каждого признака в отдельности. Затем полученные значения ранжируются. На основе этого и осуществляется выбор наиболее информативных признаков. Однако, ввиду взаимной корреляции признаков, совместное использование признаков не всегда увеличивает объём информации. В наиболее простом случае можно применить сплошной перебор всевозможных вариантов их сочетания, а после этого выбрать приемлемый класс. Однако данная операция требует больших затрат различных ресурсов.
В ходе исследования оцифрованного изображения просматриваются все пиксели, строка за строкой. По выбранному правилу, например, «считать началом контура первый обнаруженный пиксель, принадлежащий объекту» находят первый ЭВ, а затем, в зависимости от принятого алгоритма кодирования контура, осуществляется нахождение набора элементарных векторов (ЭВ). Следует отметить, что для связности 8 имеют место два типа ЭВ, один длиной 1 для ортогональных переходов от одной точки контура к другой (два вертикальных и два горизонтальных), другой – для диагональных переходов. Это не только делает невозможной целочисленную обработку контурной информации, но и вносит существенную погрешность при вычислении признаков идентификации объектов на изображениях.
В исследовании была обеспечена связность 4, обладающая только одним типом ЭВ с длиной 1, для того чтобы избежать вышеуказанных проблем и обеспечить успешное применение формул расчета контурных признаков [3].
Полученные значения признаков в совокупности с другими метрическими характеристиками [4-5] позволят однозначно определить каждую из посевных площадей на спутниковом снимке.
Исследование проводятся в рамках инновационного проекта "СМАРТ" (Спутниковый мониторинг – активному развитию территорий).