Методы и алгоритмы сегментации мультиспектральных спутниковых изображений высокого пространственного разрешения на основе спектральных, текстурных и структурных признаков

В последние годы при проведении научных исследований и решении практических задач все чаще используются мультиспектральные спутниковые изображения высокого пространственного разрешения (от 1 до 10 м). Характерная особенность указанных изображений заключается в том, что значительная часть информации об объектах съемки содержится в пространственных (текстурных и структурных) характеристиках. Для автоматизированного анализа таких изображений традиционные методы сегментации, учитывающие лишь спектральные признаки, оказываются непригодными, поскольку получаемые с их помощью картосхемы являются чрезмерно раздробленными, что затрудняет их интерпретацию.
В докладе предлагаются два вычислительно эффективных метода сегментации мультиспектральных спутниковых изображений, использующих как спектральные, так и пространственные признаки.
Первый предлагаемый метод позволяет выполнить спектрально-текстурную сегментацию спутниковых изображений на основе непараметрических алгоритмов кластеризации. Основная его идея заключается в разделении процесса сегментации на два этапа. На первом этапе производится сегментация исходного изображения по спектральным признакам, а на втором – сегментация полученной картосхемы по текстурным признакам. Такой подход позволяет избежать традиционных кластеризационных трудностей, связанных с введением единой метрики для спектральных и текстурных признаков.
Для реализации первого этапа предлагается использовать вычислительно эффективный ансамблевый алгоритм кластеризации ECCA [1]. Алгоритм ECCA позволяет разбить изображение на однородные по спектральным признакам области без какого-либо учета текстурных характеристик. Поэтому при обработке спутниковых данных высокого разрешения количество спектральных кластеров, присутствующих на картосхеме, значительно превышает количество искомых информационных классов.
На втором этапе обработки используются пространственные признаки. Для этого картосхема разбивается на квадратные фрагменты. Каждому из таких фрагментов сопоставляется вектор признаков, характеризующий частоту встречаемости выделенных на первом этапе спектральных кластеров среди элементов рассматриваемого фрагмента. Затем из полученных векторов формируются кластеры.
Границы однородных текстурных областей, выделенных на картосхеме, являются очень грубыми. Для их уточнения последовательно рассматриваются пограничные элементы всех выделенных текстурных областей и содержащие их фрагменты. Рассматриваемый пограничный элемент может либо остаться в текущей области, либо переместиться в смежную область (если спектральный кластер, к которому он отнесен, чаще встречается в текстурном кластере смежного фрагмента, чем в содержащем его). После этого рассматриваемый элемент считается частью границы той области, к которой он отнесен. Процесс продолжается до тех пор, пока все пограничные элементы всех текстурных областей не будут рассмотрены.
При сегментации спутниковых изображений высокого разрешения важным свойством территорий с высоким уровнем человеческой активности является их характерная пространственная организация. В частности, особенностью таких изображений является наличие большого количества «особых точек», окрестность которых существенно отличается от окрестностей соседних. В работе [2] предложен подход, основанный на поиске «особых точек» с применением детектора Харриса. Он позволяет выделить «особые точки» двух типов: «край» и «угол».
Второй метод, предлагаемый в докладе, основан на указанном подходе и предназначен для структурной сегментации изображения. Он заключается в обработке изображения скользящим окном с вычислением для каждого фрагмента структурных признаков, построенных с использованием указанных «особых точек».
Представленные в докладе методы и алгоритмы прошли апробацию на мультиспектральных данных, полученных со спутников QuickBird и WorldView-2. Проведенные исследования показывают, что предложенные алгоритмы позволяют с высокой достоверностью выделять объекты как природного, так и антропогенного характера.
Работа выполнена при финансовой поддержке интеграционного проекта СО РАН № 74 и грантов РФФИ (№№ 11-07-00202-a, 11-07-12083-офи-м).

Литература
1. Пестунов И.А., Бериков В.Б., Куликова Е.А., Рылов С.А. Ансамблевый алгоритм кластеризации больших массивов данных // Автометрия. 2011. Т. 47. № 3. С. 49-58.
2. Борзов С.М., Нежевенко Е.С., Потатуркин О.И. Поиск объектов неприродного происхождения с использованием их структурных особенностей // Автометрия. Т. 46. № 5. 2010. С. 36-42.