Сегментация и определение структурных особенностей объектов окружающей среды на основе спектрально-текстурной обработки разномасштабных спутниковых изображений

В настоящее время данные тематического дешифрирования многовременных мультиспектральных и панхроматических спутниковых изображений играют важную роль при осуществлении мониторинга состояния и определении параметров объектов окружающей среды. Традиционные методы дешифрирования основаны на использовании спектральных особенностей отражательной способности обследуемых объектов. С появлением спутниковых систем сверхвысокого пространственного разрешения (≤ 1 м) появились новые возможности классификации объектов на основе методов текстурного анализа, точность которого зависит от метода извлечения признаков. В ряде недавних работ демонстрируются примеры использования различных методов текстурного анализа спутниковых изображений сверхвысокого пространственного разрешения для сегментации объектов городской застройки, пахотных земель и лесных территорий. Текстурные признаки могут быть также использованы для восстановления структурных параметров древостоев, характеризующих разнообразие размеров и плотности крон, а также взаимное расположение отдельных деревьев. Среди рассматриваемых подходов, большие перспективы имеют статистические алгоритмы текстурного анализа.
В последние годы нами развивались методы тематической обработки спутниковых изображений высокого пространственного разрешения, основанные на совместном использовании спектральных и текстурных характеристик объектов. При практическом использовании такого рода данных часто бывает затруднительно обеспечить покрытие обследуемой территории в заданные временные интервалы вследствие относительно узкой ширины полосы съемки, а также в связи с их высокой коммерческой стоимостью.
В данном докладе представляется комплексный метод совместной спектрально-текстурной обработки спутниковых изображений различного пространственного и временного разрешения (Worldview-2, Sentinel 2 и Ресурс-П/Геотон) на примере задачи дистанционного определения структурных особенностей и породного состава лесных территорий. Структура метода состоит из следующих этапов. На первом этапе производится сегментация основных типов объектов с помощью методов текстурного анализа панхроматических изображений сверхвысокого пространственного разрешения. Полученные результаты проходят постобработку с использованием мультиспектральных изображений высокого разрешения. Далее пиксели внутри выделенных контуров древостоев используются для классификации структурных особенностей и породного состава древостоев. При распознавании породного состава предварительно сегментируются вечнозеленые и листопадные древостои по мультиспектральным изображениям в период листопада. Классификация породного состава производится отдельно для каждого из этих классов на основе спектральной совместной обработки мультиспектральных изображений высокого и среднего разрешения с учетом различий в условиях освещения отдельных элементов лесного полога. Многовременные мультиспектральные изображения используются для определения априорных вероятностей распознаваемых классов.
Для отработки предлагаемого метода рассматривалась территория Бронницкого лесничества (Московская обл.). Проведено сравнение эффективности различных матричных методов извлечения текстурных признаков для решения данной задачи. Наилучшие результаты показывают характеристики 2 порядка, вычисляемые на основе матрицы совместной встречаемости уровней серого (GLCM) и кресто-диагональной текстурной матрицы (CDTM). Указанные методы позволяют сегментировать рассматриваемые структурные характеристики с точностью не хуже 1%. На основе корреляционного анализа и метода регуляризованного последовательного отбора были выделены наиболее информативные текстурные признаки. Использование многовременных изображений позволяет значимо повысить точность классификации. Полная вероятность ошибки классификации породного состава составила величину порядка 10%. Полученные результаты тематической обработки хорошо согласуются с данными наземной лесотаксации.
Исследование выполнено при финансовой поддержке РФФИ в рамках научных проектов № 19-01-00215 и № 20-07-00370.