Технологии обработки гиперспектральных данных

В последние годы в практику дистанционных исследований Земли активно внедряется гиперспектральная съемка. Она основана на расщеплении лучистой энергии, поступающей на входной зрачок бортовой системы наблюдения, на десятки и сотни очень узких соприкасающихся поддиапазонов длин волн. В результате единовременно формируются разноспектральные снимки, образующие так называемый гиперкуб. Каждой точке изображения соответствует вектор значений энергетических яркостей, который принято называть спектральной характеристикой (СХ). Гиперспектральная съемка, в отличие от панхроматической и спектрозональной, предоставляет уникальную возможность на основе измерений СХ оценивать физико-химические свойства объектов наблюдаемой сцены. Знание СХ в каждой точке гиперкуба позволяет существенно упростить решение задач сегментации и классификации наблюдаемых объектов – наиболее трудно формализуемых процессов анализа изображений [1]. В докладе представлены алгоритмы и информационные технологии обработки данных гиперспектральной съемки Земли.
1. Рассмотрены три меры сходства точек гиперспектрального изображения: среднеквадратическая, корреляционная и спектрально-угловая, которые для двух соседних точек изображения (двух СХ) характеризуют соответственно среднеквадратическое отличие, коэффициент корреляции и угол в многомерном спектральном пространстве [2]. Выполнен анализ этих мер сходства при наличии на гиперспектральном изображении независимого аддитивного шума. На ряде задач обработки гиперспектральных данных показано, что предпочтение следует отдать корреляционной мере сходства.
2. Рассмотрены вопросы сокращения информационной емкости гиперспектральных данных на основе полиномиального представления СХ в условиях действия аддитивного некоррелированного шума [3]. Показано, что полиномиальное представление СХ позволяет существенно снизить вычислительные затраты на определение коэффициента корреляции между СХ, с одной стороны, и в К раз (К-число спектральных каналов) снизить дисперсию шума. В докладе приводятся аналитические соотношения, описывающие этот факт. Результаты экспериментальных исследований с использованием полиномиальных представлений СХ и натурной гиперспектральной информации дали хорошие результаты при решении задачи выделения контуров, кластеризации и классификации объектов.
3. Искажающее действие атмосферы оказывает исключительно отрицательное влияние при анализе и обработке гиперспектральных изображений [4]. Известный аналитический подход основан на использовании очень сложных моделей, которые требуют знания многих параметров, характеризующих состояние атмосферы и условий получения изображений. В связи с этим разработан статистический подход к решению этой задачи. Он основан на том факте, что в процессе полета спутника строки гиперспектрального изображения формируются в одинаковых условиях с точки зрения искажений атмосферы (при отсутствии облачности). Рассмотрена мультипликативно-аддитивная модель искажающего действия атмосферы, параметры которой оцениваются на основе статистического анализа гиперспектральных данных. Статистическая и аналитическая модели сопоставлялись по точности с привлечением гиперспектральной информации от различных съемочных систем авиационного и космического базирования. В результате подтверждена адекватность статистической модели коррекции атмосферных искажений.
4. В различных спектральных каналах объекты могут отображаться совершенно по-разному: в одних каналах более светлыми, а в других – более темными по отношению к окружающим объектам. При этом различимость объектов в разных каналах не постоянна. При традиционном подходе к объединению каналов путем их усреднения отдельные объекты существенно теряют контраст по отношению к тем каналам, где они наиболее четко отображаются. Поставлена и решена задача формирования одного или нескольких изображений, на которых все объекты наблюдаемой сцены представляются с высокой четкостью. Предложено несколько алгоритмов, позволяющих получить на основе обработки гиперспектральных данных одно (панхроматическое), либо RGB-изображение, на которых все объекты наблюдаемой сцены отображаются с повышенной четкостью [2].
5. Обычно в процесс формирования гиперспектральных данных осуществляется синхронная панхроматическая и (или) спектрозональная съемка Земли с многократно большей пространственной разрешающей способностью (детальностью). Так, например, это реализовано в КА «Ресурс-П». Стоит задача комплексирования видеоинформации, имеющей высокое спектральное разрешение, с данными высокодетальной съемки Земли с целью получения гиперспектрального изображения с высоким разрешением (как спектральным, так и пространственным). В докладе представлена технология решения этой задачи [3].
6. Одной из основных задач обработки гиперспектральных данных является формирование тематических карт объектов путем последовательного выполнения процессов кластеризации, т.е. выделения однородных областей, и классификации этих областей путем сравнения их СХ с опорной спектральной информацией, изымаемой из специально созданных библиотек. Выполнена серия исследований по анализу качества идентификации объектов на гиперспектральном изображении с использованием методов искусственного интеллекта (искусственных нейронных сетей, нечеткой логики, нечетких множеств 2-го типа, генетических алгоритмов). Представлен сравнительный анализ различных подходов, на достаточно представительном материале получены оценки вероятности ложной идентификации точек гиперспектрального снимка.
В настоящее время ведутся широкие исследования методов и алгоритмов обработки гиперспектральных данных, получаемых с КА «Ресурс-П».

Список литературы:
1. Еремеев В.В. Современные направления работ по анализу и повышению качества космических изображений поверхности Земли // Цифровая обработка сигналов, №1, 2012. С. 38-44.
2. Антонушкина С.В., Еремеев В.В., Макаренков А.А., Москвитин А.Э. Особенности анализа и обработки информации от систем гиперспектральной съемки земной поверхности // Цифровая обработка сигналов. 2010. №4. С. 38-43.
3. Еремеев В.В., Макаренков А.А., Москвитин А.Э., Юдаков А.А. Повышение четкости отображения объектов на данных гиперспектральной съемки земной поверхности // Цифровая обработка сигналов. 2012. №3. С. 35-40.
4. Ахметов Р.Н., Стратилатов Н.Р., Юдаков А.А., Везенов В.И., Еремеев В.В. Некоторые примеры обработки данных гиперспектральной съемки // Исследование Земли из космоса, № 6, 2013. С. 28-41.