Семнадцатая Всероссийская Открытая конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»
XVII.A.412
Автоматизированное выделение водной поверхности на спутниковых снимках с использованием активного обучения
Рылов С.А. (1)
(1) Институт вычислительных технологий СО РАН, Новосибирск, Россия
Для автоматического выделения водных объектов на спутниковых снимках, как правило, используются водные индексы или деревья решений, использующие заранее заданные пороги для спектральных характеристик пикселей. Однако такой подход может приводить к ошибкам, относя к воде близкие по спектральным характеристикам классы (сильно увлажненные почвы, тени и некоторые антропогенные объекты) [1]. Данная проблема хорошо проявляется на снимках высокого пространственного разрешения, а также в случаях отсутствия должной радиометрической и других коррекций. В таких ситуациях водные поверхности иногда никак невозможно выделить по спектральным характеристикам, поэтому требуется привлечение дополнительной информации.
В условиях малого объема обучающей выборки (ОВ) представляет интерес использование методов активного обучения (active learning) [2]: когда в процессе работы алгоритм классификации интерактивно просит пользователя указать классы для отдельных элементов. Это позволяет повысить качество ОВ и результаты классификации. В последние годы данный подход применялся при обработке спутниковых изображений [2-3] и показал свою работоспособность.
В докладе предлагается новый метод автоматизированного выделения водных объектов на мультиспектральных спутниковых снимках с использованием активного обучения, позволяющий учитывать не только спектральные, но и пространственные характеристики. Метод базируется на алгоритме автоматического выделения водной поверхности ECCA-Water [4], в основе которого лежит комбинация непараметрической кластеризации и дерева решений. После выделения потенциальных водных пикселей для каждого пространственного замкнутого объекта на изображении вычисляются соответствующие спектральные и пространственные характеристики (размер, форма). Далее осуществляется классификация на уровне данных объектов по соответствующим признакам с помощью алгоритма на основе автоматического построения дерева решений. При этом алгоритм выявляет наименее уверенные для построения решающего правила области в пространстве признаков и предлагает пользователю указать класс для соответствующих представителей.
В докладе будут представлены результаты работы предлагаемого метода на спутниковых снимках высокого разрешения (WorldView-3), а также данных с отечественных спутников (Канопус-В и Метеор-М). Интерактивное взаимодействие с пользователем и учет специфики водных объектов позволяет эффективно работать со сложными сценами, такими как территории, затопленные паводками. А высокая скорость работы позволяет применять разработанный метод при создании оперативных карт паводковой обстановки.
Работа выполнена при финансовой поддержке РФФИ (грант № 18-37-00492 мол_а).
Ключевые слова: классификация, активное обучение, выделение воды, спутниковые снимки, сегментация изображений
Литература:
- Антонов В.Н., Новгородцева О.Г. Мониторинг и картографирование паводковой ситуации в Сибирском федеральном округе // Образовательные ресурсы и технологии. – 2014. – № 8. – С. 81-86.
- Tuia D. et al. A survey of active learning algorithms for supervised remote sensing image classification // IEEE Journal of Selected Topics in Signal Processin. – 2011. – Vol. 5. – No. 3. – P. 606-617.
- Shi Q. et al. Active learning approach for remote sensing imagery classification using spatial information // 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). – IEEE, 2016. – P. 1520-1523.
- Рылов С.А., Новгородцева О.Г., Пестунов И.А., Дубровская О.А., Синявский Ю.Н. Технология обработки данных с космических аппаратов «Канопус-В», «Ресурс-П» и «Метеор-М» для мониторинга и картографирования паводковой ситуации // Матер. II Междунар. науч. конф. «Региональные проблемы дистанционного зондирования Земли». – Красноярск: СФУ, 2015. – С. 207-212.
Презентация доклада
Методы и алгоритмы обработки спутниковых данных
58