Исследование метода распознавания лесных массивов по многоспектральным изображениям высокого пространственного разрешения на основе статистических эталонов

Данные дистанционного зондирования Земли являются достоверным источником информации для актуализации базы данных, обновлению тематических карт типов и состояния растительных покровов. Эффективное использование космических многоспектральных снимков возможно только тогда, когда применяются автоматизированные методы дешифрирования снимков. Поэтому востребованы исследования по разработке и совершенствованию автоматизированных методов дешифрирования многоспектральных изображений, в частности, лесных массивов. Цель работы состояла в повышения достоверности работы алгоритма последовательного анализа многоспектральных космических снимков высокого пространственного разрешения на основе использования структурно - статистического подхода при дешифрировании лесных массивов [1, 2]. Главная задача - исследовать вариативность спектральных яркостей в различных спектральных каналах для многоспектральных съемочных систем высокого пространственного разрешения с целью определения информативности каналов съемочной системы для распознавания древесных насаждений при применении метода на основе статистических эталонов.
В качестве исходных материалов ДЗЗ для выполнения исследования использовались многоспектральные изображения, полученные съемочной системой Ikonos и WorldView-3. В качестве априорного источника о качественных и количественных характеристиках древостоев использовалась электронная карта породного состава леса, построенная по материалам лесоустройства и результаты полевого дешифрирования на исследуемую территорию.
Для анализа типов лесных насаждений применялась методика дешифрирования по статистическим эталонам. Предлагаемый в данной работе вариант отличается тем, что сравниваются не отдельные априорные вероятности, а функции, построенные по совокупности измерений по всем точкам исследуемого объекта [1, 2]. Для этого были получены функции распределения и плотности распределения, построенных по исходным и преобразованным изображениям с помощью различных алгоритмов. Таким образом, основным дешифровочным признаком использовался – функция плотности распределения вероятностей яркостей в пределах области, занимаемой образом. Образ объекта – совокупность, необходимых и достаточных дешифровочных признаков для описания объекта. Эти функции полностью характеризуют вероятностную структуру объекта и затем используются как статистические эталоны. Все характеристики образа являются статистической оценкой и получены в результате анализа статистически значимой выборки с достоверностью 0.05. Затем выполнялось сравнение функции эталона и оцениваемого участка. Объект относится к классу эталона, для которого достигается максимум соответствия в смысле заданного критерия. В качестве критерия использовались локальные максимумы коэффициента корреляции объекта и эталона и частный случай критерия Колмогорова [1, 3]. Экспериментальные исследования показали, что при использовании функции плотности распределения как дешифровочного признака наиболее эффективно применять изображение в красном, так как кривые плотностей вероятностей существенно отличаются. Таким, образом, применение алгоритма последовательного анализа многоспектральных космических снимков высокого пространственного разрешения на основе использования структурно - статистического подхода способно значительно повысить результаты распознавания различных типов лесных массивов.