Технология получения материалов цветной цифровой космической съемки
для реализации алгоритмов автоматизированного дешифрирования

Современные алгоритмы автоматизированного дешифрирования материалов космической съемки в большинстве своем базируются на применении нейросетевых технологий. Высокая эффективность таких алгоритмов обусловлена тем, что при подготовке нейросетевых моделей обязательным условием является использование большого количества репрезентативных обучающих данных, что позволяет выявить наиболее информативные и устойчивые признаки для распознавания объектов на изображениях. Вместе с тем, планы по наращиванию отечественной орбитальной группировки космическими аппаратами дистанционного зондирования, такими как «Ресурс-ПМ» и «Канопус-ВО», на сегодняшний день остаются не реализованными, а к данным зарубежных космических систем в настоящее время доступ ограничен. Эти два фактора не позволяют в достаточном количестве получать материалы космической съемки для тренировки нейросетевых моделей. В сложившихся обстоятельствах для разработки алгоритмов автоматизированного дешифрирования, целесообразно использовать материалы съемки, предоставляемые различными открытыми
геосервисами, такими как Google Maps, Яндекс карты, ESRI World Imagery и т.д. Основная трудность такого подхода заключается в том, что представленные геосервисы базово позволяют сохранять только сравнительно небольшие фрагменты (тайлы) материалов съемки. Кроме того, сохраняемые фрагменты характеризуются разным качеством и не имеют географической привязки, в то время как результирующее изображение, пригодное для разработки алгоритмов автоматизированного дешифрирования, должно отвечать следующим
требованиям:
 иметь высокое пространственное разрешение, достаточное для визуального распознавания объектов интереса по их текстурным, структурным и яркостным дешифровочным признакам,
 иметь широкую зону захвата, включающую в себя весь район обследования, в пределах которого осуществляется распознавание объектов интереса,
 фрагменты (тайлы), из которых производится сшивка изображения должны иметь одинаковое качество и время съемки,
 иметь географическую привязку,
 иметь допустимый для решения конкретной тематической задачи уровень облачности и геометрических искажений.
В Военно-космической академии имени А.Ф. Можайского была разработана уникальная технология получения высокодетальных (с пространственным разрешением лучше, чем 1 метр на пиксель) космических изображений, необходимых для формирования обучающего пакета данных при разработке алгоритмов автоматизированного дешифрирования, основанных на использовании нейросетевых моделей. Требования по объему и качеству данных выполняются за счет обработки разновременных данных, доступных в сервисе Google Maps. В целом, технология базируется на использовании настроенных специальным образом трех программных продуктов: GoogleEarth, SAS Planet и GeoCacher. Связка программ GoogleEarth и GeoCacher позволяет получить разновременные данные с сервиса Google
Maps. SAS Planet обеспечивает получение высокодетальных материалов съемки с других геосервисов, сшивку широкозональных изображений из отдельных фрагментов и формирование файлов привязки к ним. Качество сформированных данных оценивается визуальным методом с помощью экспертной оценки. Реальное пространственное разрешение полученного таким образом изображения оценивается с помощью анализа линейных размеров стандартизированных объектов на изображении (ширина дорожных полос, длина железнодорожной цистерны, размеры железобетонных дорожных плит и т.д.).
Используя описанную технологию, было получено более 1000 изображений районов интереса площадью более 10 квадратных километров каждый, с линейным разрешением от 0,18 до 0,82 пикселей на метр. Значительно расширить объем обучающих данных (минимум в 5 раз) позволил механизм получения разновременных данных на одну и ту же территорию.
Полученные таким образом данные позволили подготовить нейросетевые модели,
обеспечивающие распознавание различных антропогенных объектов с вероятностью более чем 0,86. Качество обучения при этом определялось по метрике mAP50-95 и составило, в зависимости от распознаваемых классов, от 0,53 до 0,87.