Ансамблевые алгоритмы сегментации мультиспектральных спутниковых изображений высокого пространственного разрешения и их практическое применение

В 2000-е годы благодаря стремительному прогрессу в области создания и развития средств и технологий дистанционного зондирования Земли спутниковые изображения высокого разрешения (4 м и лучше) стали доступны не только оборонным ведомствам, но и коммерческим, производственным и научно-исследовательским организациям. В настоящее время на орбите находятся несколько десятков спутников, которые обеспечивают поставку таких изображений [1]. Данные высокого разрешения позволяют многократно расширить круг и масштаб решаемых задач. Однако отсутствие эффективного программно-алгоритмического инструментария для тематической обработки изображений высокого пространственного разрешения является существенным сдерживающим фактором на пути их широкого использования.
Сегментация является одним из важнейших этапов анализа спутниковых изображений [2]. Она заключается в разбиении изображения на непересекающиеся области на основе однородности (похожести) их спектральных и/или пространственных характеристик (текстура, форма, размер и т.п.).
В настоящее время для обработки спутниковых изображений, как правило, используются алгоритмы сегментации на основе спектральных признаков [3]. Поскольку эти алгоритмы не учитывают пространственные взаимосвязи между соседними пикселями, получаемые с их помощью картосхемы являются чрезмерно раздробленными и трудно интерпретируемыми.
В докладе предлагается двухэтапный алгоритм сегментации спутниковых изображений, учитывающий не только спектральные характеристики, но и пространственный контекст. На первом этапе производится сегментация изображения по спектральным признакам с помощью непараметрических ансамблевых алгоритмов кластеризации EMeanSC [4] и ECCA [5]. Второй этап обработки заключается в формировании ансамбля алгоритмов морфологической сегментации, использующих пространственный контекст. Для этого выполняется построение минимального остовного дерева графа изображения. Вершинами графа являются пиксели, а ребра строятся на основе их взаимного расположения. Вес каждого ребра равен значению выбранной меры схожести соединяемых им пикселей. На основе этого графа строится остовный лес по набору маркеров, выбранных на полученной в ходе первого этапа картосхеме. Для получения устойчивого результата, не зависящего от выбора маркеров, формируется ансамбль алгоритмов (в каждом алгоритме используется свой случайный набор маркеров).
В докладе приводятся результаты обработки мультиспектрального снимка, полученного 1 июня 2012 года со спутника Pleiades, с целью обнаружения и классификации поврежденных кедровых насаждений в окрестностях реки Черный Июс в северной части Республики Хакасия. Эксперименты показали, что учет контекстной информации повышает качество получаемых картосхем и значительно облегчает процесс их интерпретации.
Работа выполнена при финансовой поддержке РФФИ (гранты №№ 11-07-00202, 11-07-00346).
Литература
1. Дворкин Б.А., Дудкин С.А. Новейшие и перспективные спутники дистанционного зондирования Земли // Геоматика. 2013. № 2 (19). С. 16-36.
2. Dey V., Zhang Y., Zhong M. A review on image segmentation techniques with remote sensing perspective // W. Wagner, B. Székely (eds.) // ISPRS TC VII Symposium – 100 Years ISPRS, Vienna, Austria, 5-7 July 2010. IAPRS, Vol. XXXVIII, Part 7A. P. 31-42.
3. Rekik A., Zribi M., Hamida A., Benjelloun M. Review of satellite image segmentation for an optimal fusion system based on the edge and region approaches // IJCSNS - International Journal of Computer Science and Network Security. 2007. Vol. 7, N 10. P. 242-250.
4. Пестунов И.А., Бериков В.Б., Синявский Ю.Н. Сегментация многоспектральных изображений на основе ансамбля непараметрических алгоритмов кластеризации // Вестник СибГАУ. 2010. Т. 31, № 5. С. 45-56.
5. 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.