Текстурные методы вейвлет преобразований аэрокосмических изображений лесных массивов

Одной из важных задач анализа техногенного воздействия на лесные массивы является создание системы показателей, с помощью которых осуществляется разделение классифицируемых объектов на непересекающиеся классы. Традиционными показателями, применяемыми в задачах дистанционной классификации лесов, являются статистические характеристики яркостных (пиксельных) полей изображения в различных спектральных зонах многозональной космической съемки. При этом, как правило, используются классические методы статистики, в которой основными показателями, используемыми для классификации, являются следующие характеристики случайных величин: средние, стандартные отклонения и статистические моменты более высоких порядков, а также их комбинации. В тоже время в мировой литературе опубликованы многочисленные примеры успешного использования для классификации изображений текстурных признаков.

Текстура - это особенности строения твердого вещества, которые обусловлены характером расположения различных его составных частей (зерен, кристаллов и др.), например, горных пород.

Структура - это строение чего-либо, обусловленное взаиморасположением и связью составных частей.

До настоящего времени применение текстурных показателей в анализе изображений в значительной степени сдерживалось необходимостью разномасштабного анализа, что представляет собой достаточно сложную задачу. Однако ситуация коренным образом изменилась в последние годы после разработки принципиально новых текстурных методов анализа изображений с помощью вейвлет-декомпозиции.

Вейвлет преобразование - это двухмерная развертка одномерных сигналов, при которой исходный одномерный сигнал, представленный в координатах (х,у), преобразуется в двухмерный сигнал, представленный в координатах (a,b,z), где а,Ъ-параметры вейвлет преобразования. Результат вейвлет преобразований получил название вейвлет-спектров.

Вейвлет декомпозиция - это разложение исходного сигнала с помощью вейвлет преобразования на низкочастотную и высокочастотные составляющие.

Термин "вейвлеты" - "маленькие волны" был введен Морле, французским геофизиком в конце восьмидесятых годов. Сейсмические данные, которые он изучал, отличались резкими изменениями частотного спектра, что не позволяло эффективно использовать методы Фурье-анализа. Для разрешения возникшей проблемы Морле предложил использовать для анализа данных разработанные им компактные, т.е. отличные от нуля на небольших участках функции в частотной и временной областях, которые он назвал вейвлетами. Различают непрерывные и дискретные вейвлет-преобразования. При использовании непрерывного преобразования одномерные и двухмерные сигналы исследуются с помощью непрерывного семейства вейвлет-функций следующего вида:

где y/(t) - компактная вейвлет-функция, а,Ь - параметры вейвлет- преобразования, первый является аналогом периода, а второй описывает смещение вейвлета вдоль сигнала. Таким образом, сигнал может компактно исследоваться по всей своей длине с помощью перемещающегося вдоль него вейвлета. Классическим примером вейвлета является вейвлет под названием "Сомбреро". Уравнение этого вейвлета имеет следующий вид:

а его изображение представлено на рис.2.2.7.

Для получения вейвлет преобразований аэрокосмических изображений используют метод "скользящего окна", при котором рассчитывают коэффициенты корреляции между яркостным полем изображения и различными двухмерными вейвлетами. В результате такого преобразования проявляется скрытая квази-периодичность (текстура) исходного изображения. В ряде случаев текстура, проявившаяся на вейвлет-спектрах, является следствием скрытого самоподобия исходного изображения. Следует отметить, что разномасштабное самоподобие объектов ОПС на аэрокосмических изображениях является характерным признаком их фрактальности и, следовательно, в качестве одного из показателей классификации изображений могут быть использованы фрактальные размерности космических изображений лесов (см. раздел 2.2.2).

Вейвлет "Сомбреро"

Рис.2.2.7. Вейвлет "Сомбреро".

В настоящее время разработано большое количество различных текстурных методов анализа изображений. Работа подавляющего большинства текстурных алгоритмов основана на предположении о том, что текстурные показатели могут быть получены из расчета локальных статистических характеристик изображения, которые в свою очередь могут быть рассчитаны с помощью функции распределения яркости пикселей (локальной гистограммы) т.е. из статистики первого порядка. Однако в последнее время внимание исследователей было привлечено к текстурным показателям, получаемым с использованием статистики второго порядка. Показатели статистики второго порядка могут быть рассчитаны с помощью текстурных матриц, которые определяются как, накопленная в результате обработки всего изображения, совместная вероятность значений яркости изображаемых точек, т.е. пикселей. В качестве текстурных характеристик в настоящее время также широко используются Марковские случайные поля и фрактальные показатели.

Существенным недостатком перечисленных методов является использование только одномасштабного анализа изображений. Вейвлет-обработка, реализующая разномасштабный анализ изображений, представляет собой важное дополнение к существующим методам текстурного анализа. В результате вейвлет-преобразования исходное изображение разделяется на одну низкочастотную и несколько разномасштабных высокочастотных составляющих. Считается, что высокочастотные составляющие изображения (детализации) содержат информацию о скрытой в яркостном поле изображения текстуре. Такие харатеристики как энергия и стандарное отклонение детализаций вейвлет-декомпозиции являются показателями, которые в настоящее время широко применяются для текстурной сегментации и классификации изображений.

Непрерывное вейвлет-преобразование одномерного сигнала f(t) может быть рассчитано по следующей формуле:

где символ * - обозначает операцию комплексного сопряжения.

В случае, когда параметры aub принимают дискретные значения (а = 2” b eZ), получают дискретное вейвлет-преобразование. Для двухмерных сигналов (изображений) вейвлет-преобразования получают в виде комбинаций одномерных преобразований по выбранным направлениям. Обычно используют горизонтальное, вертикальное и диагональное направления. Формулы для получения вейвлет-преобразований первого порядка имеют следующий вид:

где * - обозначает оператор свертки, Нх и Ну - операторы вейвлет- преобразований, выделяющие низкие частоты (аппроксимации), Gx, Gy - операторы вейвлет-преобразований, выделяющие высокие частоты (детализации), А - результирующая низкочастотная компонента декомпозиции изображения (аппроксимация), D!i2,3 - высокочастотные компоненты декомпозиции изображения (детализации) в вертикальном, горизонтальном и диагональном направлениях соответственно.

В общем случае текстурный метод анализа изображения состоит из двух этапов. Первый этап - получение текстурных характеристик. Второй этап - классификация по текстурным признакам отдельных пикселей изображения (сегментация изображения) или групп пикселей (собственно классификация).

Одним из часто используемых текстурных показателей является энергия вейвлет-детализации , которая определяется по следующей формуле:

где N - суммарное количество коэффициентов вейвлет-детализации Д. Данный показатель описывает распределение энергии пикселей изображения в частотной области в зависимости от масштаба и направления и является одним из действенных показателей текстуры.

Вместо показателя (2.2.16) иногда используют стандартное отклонение коэффициентов вейвлет-детализации, которое рассчитывается по следующей формуле:

Следует отметить, что показатели (2.2.16) и (2.2.17) сильно коррелированны. Показатель(2.2.16) фактически представляет собой дисперсию коэффициентов вейвлет-детализации. Среднее значение коэффициентов равно нулю. Таким образом, показатель (2.2.16) полностью описывает Гауссовское распределение коэффициентов вейвлет-детализации.

Основу статистики второго порядка составляют так называмые текстурные матрицы, которые определяются как, накопленная в результате обработки всего изображения, совместная вероятность значений пикселей (или коэффициентов вейвлет-преобразования) в скользящем окне заданного размера.

Элемент cf(j,k) текстурной матрицы определяется, как совместная вероятность встречаемости квантованного вейвлет-коэффициента Д - j и квантованного вейвлет-коэффициента Д = к, причем расстояние R между этими коэффициентами должно быть: R < 8. Обычно в качестве 8 используют значения 8=1 или 2, поскольку относящаяся к малым элементам текстуры корреляция пикселей проявляется на малых расстояниях.

Для расчета текстурных матриц предварительно необходимо выполнить квантование коэффициентов вейвлет-детализации на заданное число уровней, для чего может быть использован следующий алгоритм:

где Di2,3 - высокочастотные компоненты декомпозиции изображения (детализации) в вертикальном, горизонтальном и диагональном направлениях соответственно, A = ^(Max-Min), Wn = mm(Dl(bJ,bk)), Max = max(?>((6y,6t)), Р -

число уровней квантования,/? = 1...Р, Л - шаг квантования.

Основной целью текстурного анализа является разделение с помощью текстурных показателей территории в районе воздействия аварийных ситуаций на газо- и нефтепроводах на три техногенные зоны: импактную, буферную и фоновую. Для классификации спутниковых изображений могут быть использованы следующие показатели текстуры: инерция текстуры; энергия текстуры; энтропия текстуры; коэффициент однородности; коэффициент кластерной асимметрии; коэффициент кластерного эксцесса и информационная мера корреляции кластеров.

Коэффициент инерции текстуры характеризует мозаичность изображений, кластеры которых состоят из пикселей существенно различной яркости. Текстуры, состоящие из кластеров с приблизительно одинаковой яркостью пикселов, имеют близкий к нулю показатель инерции. Для некоррелированного белого шума инерция максимальна. Для однородного фона - равна нулю.

Энергия текстуры характеризует степень периодичности яркостного поля пикселей. Для идеальной периодической структуры или однородного фона этот коэффициент максимален. Для белого шума - минимален.

Энтропия характеризует разнообразие пикселей. Также как и инерция она максимальна для белого шума и минимальна для однородного фона.

Коэффициент однородности также как и коэффициент инерции характеризует степень мозаичности изображения, однако в противоположность последнему этот коэффициент имеет малые значения для мозаичных структур и максимален для однородного фона.

Коэффициенты кластерной асимметрии и кластерного эксцесса текстуры оба имеют нулевое значение для однородного фона. Коэффициент кластерной асимметрии характеризует асимметрию распределения черных и белых кластеров на изображении. Он принимает положительные и отрицательные значения и близок к нулю для белого шума.

Информационная мера корреляции кластеров одновременно характеризует размеры кластеров и контрастность их внутренней структуры. Для белого шума, для которого каждый пиксель является отдельным кластером и при этом без всякой внутренней структуры, величина этого коэффициента - минимальна. Для однородного фона информационная мера корреляции кластеров не определена.

Далее приведены формулы для расчета указанных выше текстурных показателей.

Инерция текстуры:

Энергия текстуры:

Энтропия текстуры:

Коэффициент однородности:

Максимальная вероятность:

Коэффициент кластерной асимметрии: где: Мх= Y^jCijyk), Му= f

j,k=1 jjcm 1

Коэффициент кластерного эксцесса:

Информационная мера корреляции кластеров текстуры:

р р р

где: Hxy=-YtC(J,Wog(Sx(j)Sy(k)), Sx(j) = ^C(j,k), Sy(k)^C(j,k),

j,k=1 k=l j=1

=-ЕЗД)1оеЗД), = -?^Wlog^(A).

y=i *=l

Рассмотрим конкретную задачу выделения экологических зон на аэрокосмических изображениях с использованием метода текстурной классификации. При этом будем исходить из имеющихся материалов космической съемки и наличия дополнительных наземных экспериментов (подспутниковых измерений). С этой целью рассмотрим результаты выделения экологических зон с помощью имеющихся материалов космической съемки и экспериментальных данных, описывающих техногенные воздействия на леса южной тайги (ЮТ) на Южном Урале.

Исходное спутниковое изображение с ИСЗ "Ресурс" было предварительно преобразовано по формуле (2.1.1) в NDVI-изображение (визуализацию нормализованного разностного индекса растительности), которое далее может быть подвергнуто дискретному вейвлет-преобразованию. В результате могут быть получены текстурные срезы в трех направлениях: горизонтальном, вертикальном и диагональном.

Изображение нормализованного разностного индекса растительности лесов южной тайги в районе техногенного воздействия

Рис.2.2.8. Изображение нормализованного разностного индекса растительности лесов южной тайги в районе техногенного воздействия

Наземные измерения проводились вдоль маршрута, схема которого представлена на рис.2.2.9. Полученные результаты могут быть представлены в виде функциональной "доза-эффект" зависимости вида y = f(x), где у- интегральный коэффициент сохранности (ИКС); х- суммарное загрязнение лесного массива. Эта функция в виде таблицы представлена в табл.2.2.1.

Таблица 2,2.1. "Доза-эффект" зависимость

Контроль

СЗ направление

ЮВ направление

Расстояние,

км

130

11

7

6

3

3.5

6.5

10

Загрязнение,

отн.ед.

0.099

0.146

0.246

0.310

0.595

0.431

0.380

0.277

ИКС, отн. ед.

0.787

0.865

0.622

0.508

0.208

0.211

0.471

0.596

По результатам наземных экспериментов пробные площади можно разделены на три класса: импактные, буферные и фоновые. При этом с помощью вейвлет-декомпозиции исходное изображение (см. рис.2.2.8) может быть разложено на низкочастотную и высокочастотные составляющие.

Для каждой из высокочастотных составляющих изображения могут быть определены расположения пробных площадей и рассчитаны текстурные показатели (2.2.19) - (2.2.26). Результаты расчета для двух текстурных показателей представлены в табл.2.2.2.

Таблица 2,2.2. Текстурные показатели

Номер пробной площади

Энергия

Девиация

Средние значения и стандартные отклонения

1

1,198

0,853

Фоновая зона:

Е = 2.137, MD= 1.159

2

1,812

1,064

3

3,403

1,561

4

1,823

1,136

Буферная зона:

Е = 5.768, MD= 1.881

5

6,808

2,161

6

8,672

2,345

7

31,050

4,461

Импактная зона:

Е= 18.373, MD = 3.267

8

7,629

1,987

9

16,440

3,353

Средние значения и стандартные отклонения, представленные в табл.2.2.2, могут быть использованы в качестве эталонов для классификации всего изображения. С этой целью исходное изображение можно разделить на фрагменты, для каждого из которых можно провести вейвлет-декомпозицию и в результате получить матрицы текстурных показателей.

Сравнение текстурных показателей с эталонами позволяет сегментировать исходное космическое изображение на три зоны: импактную, буферную и фоновую.

Деление лесных массивов на экологические зоны можно осуществить также в обратном порядке. В начале разделить территорию на три кластера, а затем идентифицировать полученные кластеры с помощью эталонов. Для кластеризации изображения может быть использован алгоритм самоорганизующейся нейронной сети Кохонена, реализованного в пакете прикладных программ (SOM - Self Organizing Мар), предоставленного для свободного использования Центром исследований искусственных нейронных сетей и Лабораторией информационных и компьютерных исследований Технологического университета (Хельсинки, Финляндия) на интернет сайте: www.cis.hut.fi/research. Для кластеризации может быть использована нейронная сеть размером 3x3=9 нейронов. В результате на изображении могут быть выделены девять кластеров, преобразование (генерализация) которых в три кластера (по числу экологических зон) может быть осуществлено с помощью алгоритма k-средних, также входящего в состав пакета SOM.

Результаты экологического зонирования лесов для исходного изображения (см. рис.2.2.8) вместе с маршрутом отбора проб представлены на рис.2.2.9.

Результат экологического зонирования лесных массивов на три зоны

Рис. 2.2.9. Результат экологического зонирования лесных массивов на три зоны: импактную, буферную и фоновую. Маршрут отбора проб показан ломаной линией на изображении

Разграничение лесных территории вокруг источников промышленного загрязнения на экологические зоны позволяет проводить численные площадные оценки экологического и экономического ущербов, нанесенных лесам выбросами промышленного предприятия.

Эти оценки можно получить по величине интегрального коэффициента сохранности (см.табл.2.2.1), который представляют собой процент отношения суммы биогеоценотических параметров к их фоновым значениям, что является показателем деградации лесов по отношению к фону. С учетом мозаичного характера экологических зон величину относительного ущерба можно рассчитать по следующей формуле:

где: Da,db,s,s- ущербы и площади соответствующие импактной и буферной зонам, р^{х,у) - поле интегрального коэффициента сохранности для

k-ого фрагмента мозаики. Для случая слабой мозаичности зон вместо (2.2.27) можно использовать более простое выражение:

где: рлв - средние для импактной и буферной зон интегральные коэффициенты сохранности в процентах.

При помощи формул (2.2.27) и (2.2.28) можно, используя метод интегральных индексов и сегментацию спутниковых изображений, проводить оценки экологических ущербов, нанесенных лесам промышленными предприятиями. Оценка площади буферной зоны по результатам экологического зонирования (рис.2.2.9) составляет около - 160 км2, а площадь импактной зоны - около 35 км2 При этом в среднем для буферной зоны ИКС = 55%, а для импактной зоны - 20% (см. табл.1), что дает следующую суммарную относительную оценку экологического ущерба, нанесенного лесным экосистемам ЮТ в зоне экологического бедствия:

Рассмотрим другую задачу текстурной классификацию лесов Булунского лесничества Жиганского лесхоза Республики Саха (Якутия) с использованием космического изображения, полученного со спутника Landsat-7. Для исследования рассмотрим три таксационных выдела, на которых расположены три прямоугольных эталонных участка, обозначенных как Эталон-4, Эталон-5 и Эталон-6. На эти участки имеется детальная таксационная информация (лесоустройство июль, 1998г). Основные таксационные характеристики лесов эталонных участков представлены в табл.2.2.3.

Таблица 2.2.3. Таксационные характеристики лесов эталонных участков

Состав

А,

лет

d,

см

h, м

Запас

Полнота

Тип

леса

Подлесок

Покров

Эталон-4

ЮЛ

33

3,2

3,8

2

0,5

Бам

Пусто

Мхи,

лиш.

Эталон-5

ЮЛ

189

П,1

8,6

3,7

0,36

Бам

Ср.гус

ТОТЫ

Баг,

гол

Эталон-6

ЮЛ

170

10,3

8,6

1,2

0,12

Сф

Ср.гус

ТОТЫ

Баг,

гол

Примечание: А - возраст, d - диаметр, h - высота, Бам - багульник моховой, гол - голубика, Сф - сфагновый.

Взаимное расположение таксационных выделов и эталонных участков представлено на космическом изображении Landsat-7 в 4-м спектральном канале на рис.2.2.10.

Исходное изображение исследуемого фрагмента (4-ый спектральный канал космического снимка Landsat-7), эталонные участки (отмечены номерами) и таксационные выделы

Рис.2.2.10. Исходное изображение исследуемого фрагмента (4-ый спектральный канал космического снимка Landsat-7), эталонные участки (отмечены номерами) и таксационные выделы

Из рис.2.2.10, следует, что эталоны: 4 и 6 являются на много более неоднородными по сравнению с 5-м эталоном. Следует отметить, что при выделении по текстурным признакам однородность текстуры эталона имеет важное значение. Для каждого эталона могут быть рассчитаны текстурные показатели (2.2.19) - (2.2.26). Результаты расчетов представлены в табл.2.2.4.

Таблица 2.2.4. Текстурные показатели исходных изображений эталонов

Инерция

Энергия

Макс.

вер.

Энтро

ПИЯ

Однородность

Класт.

асим.

Класт.

эксц.

Инф.

мер.

кор.

Эта-

лон-4

R

9.796

0.016

0.051

4.533

0.423

-18.39

3047

0.107

G

9.198

0.053

0.122

3.342

0.459

29.51

1095

0.044

В

7.604

0.029

0.091

3.956

0.445

71.45

1673

0.0766

Эта-

лон-5

R

8.602

0.02

0.064

4.310

0.436

81.26

3181

0.116

G

10.79

0.047

0.112

3.403

0.400

39.26

1854

0.054

В

14.75

0.047

0.119

3.365

0.364

54.41

1770.

0.03

Эта-

лон-6

R

4.537

0.042

0.141

3.990

0.548

85.13

2539

0.185

G

13.28

0.023

0.052

4.089

0.381

-0.757

5884

0.109

В

9.351

0.023

0.052

4.088

0.423

-140.4

5464

0.135

Примечание: R - 3-й канал (0.63 - 0.690мкм), G - 4-й канал (0.75 -

0.90мкм), В - 7-й канал (2.09 - 2.35мкм).

Как следует из табл.2.2.4, при использовании статистики второго порядка по ряду показателей имеется существенное различие по сравнению с эталонами. Наибольшее различие имеет место для коэффициента кластерной асимметрии.

На следующем этапе анализа изображения для каждого эталона может быть проведена вейвлет-декомпозиция. Каждая вейвлет-декомпозиция представляет собой текстурный срез изображения в трех направлениях: горизонтальном, вертикальном и диагональном. В результате вейвлет-декомпозиции можно получить шесть детализаций (HI, VI, Dl, Н2, V2, D2) и две аппроксимации исходного изображения (А1 и А2). Для каждого текстурного среза космических изображений эталонов можно рассчитать текстурные показатели, отражающие внутреннюю структуру изображений. Текстурные показатели статистик 1-го и 2-го порядков представлены соответственно в табл.2.2.5 и табл.2.2.6.

Таблица 2.2.5. Текстурные показатели статистики 1-го порядка

текстурных срезов эталонов

Детализация

Энергия

Девиация

Проценты

Эталон-4

сН 1

124.4003

3.6327

cVl

122.8886

3.4516

cDl

2.0125

0.34361

Эталон-5

сН1

84.6545

2.9566

68%

81%

cVl

90.7581

3.0313

74%

88%

cDl

1.381

0.30806

69%

90%

Эталон-6

cHl

101.3308

3.1917

81%

88%

cVl

92.6619

3.1862

75%

92%

cDl

1.75

0.33917

87%

99%

Примечание: в 5-м и 6-м столбцах таблицы текстурные показатели выражены в процентах по отношению к показателям четвертого эталона.

Таблица 2.2.6. Текстурные показатели статистики 2-го порядка текстурных срезов

Инерция

Энергия

Макс.

вер.

Энтро

ПИЯ

Однородность

Класт.

асим.

Класт.

эксц.

Инф.м

ер.кор.

Эта-

лон-4

сН1

8.04

0.44

0.65

1.76

0.78

14.33

2642

0.108

cVl

6.99

0.53

0.72

1.50

0.81

13.49

2069

0.108

cDl

2.65

0.52

0.71

1.24

0.86

-15.46

466.2

0.093

Эта-

лон-5

cHl

7.71

0.548

0.737

1.462

0.819

5.093

2706

0.097

cVl

7.99

0.383

0.607

1.894

0.769

-12.29

2631

0.095

cDl

3.34

0.527

0.72

1.355

0.853

2.314

513.5

0.097

Эта-

лон-6

cHl

7.94

0.578

0.758

1.363

0.833

6.474

2631

0.098

cVl

7.26

0.338

0.562

2.004

0.755

8.218

2030

0.090

cDl

2.538

0.579

0.757

1.197

0.872

-5.373

416.0

0.082

Как следует из табл.2.2.5, для исследованных эталонов (лиственничники с различными таксационными характеристиками, см. табл.2.2.3) использование текстурных показателей статистики первого порядка позволяет получать различие между эталонами в пределах около 20%. Для некоторых показателей может быть достигнуто более существенное различие их значений. Наибольшее различие имеет место для коэффициента кластерной асимметрии.

Возможность классификации таксационных выделов по текстурным показателям существенным образом зависит от мозаичности показателей в пределах выдела. Наглядное представление о закономерностях распределения текстурных показателей в пределах выбранного фрагмента изображения может быть получено с помощью визуализации текстурных матриц. Для иллюстрации решения этой задачи может быть проведена попиксельная обработка

4-го спектрального канала Landsat-7 изображения тестового фрагмента. Обработку изображения можно провести скользящим окном размером 7x7 пикселей. Число уровней квантования, использованное для расчета текстурных матриц, можно выбрать равным пяти. Результаты расчета текстурных показателей записывают в центральный пиксель. В результате получают матрицы текстурных показателей, для визуализации которых может быть использована глубина яркости в один байт (256-уровней).

Пример матриц текстурных показателей для фрагмента изображения рис.2.2.10 представлен на рис.2.2.11 и рис.2.2.12. Как следует из рис.2.2.11 и рис.2.2.12, текстурные изображения таксационных выделов, рассчитанные непосредственно из яркостных полей исходного изображения, недостаточно хорошо визуально различаются для большинства показателей и, поэтому не могут быть использованы для выделения лесных участков.

По всей вероятности главным показателем для классификации лесов на данном фрагменте изображения являются не текстурные, а яркостные спектральные характеристики. Различие (около 20%) в эталонных показателях, представленное в табл.2.2.5, вероятно обусловлено недостаточными размерами прямоугольных фрагментов, использованных в качестве эталонов. Небольшие размеры эталонов недостаточно учитывают мозаику текстурных показателей.

Следует отметить небольшое различие в текстуре участков 4 и 5 для показателей: инерция (рис.2.2.11е) и информационная мера корреляции кластеров (рис.2.2.12в). На изображении коэффициента кластерной асимметрии (рис.2.2.126) хорошо выделяется граница между лесными участками. Это указывает на чуствительность этого показателя к градиентам яркостных и текстурных полей. На изображениях коэффициента кластерного эксцесса (рис.2.2.12а) и информационной меры корреляции кластеров (рис.2.2.12в) граница между выделами также проявляется, но менее заметна.

Приведенные примеры позволяют сделать вывод о том, что для классификации следует использовать весь набор характеристик изображения, включающий как текстурные, так и яркостные показатели.

Матрицы текстурных показателей 4-го спектрального канала Landsat-7 изображения лесов эталонных участков

Рис.2.2.11. Матрицы текстурных показателей 4-го спектрального канала Landsat-7 изображения лесов эталонных участков: а - исходный фрагмент, б - энергия яркостного поля фрагмента, в - энергия текстурной матрицы, г - стандартное отклонение, д - энтропия, е- инерция

Матрицы текстурных показателей 4-го спектрального канала Landsat-7 изображения лесов эталонных участков

Рис.2.2.12. Матрицы текстурных показателей 4-го спектрального канала Landsat-7 изображения лесов эталонных участков: а - коэффициент кластерного эксцесса, б - коэффициент кластерной асимметрии, в - информационная мера корреляции кластеров, г - коэффициент однородности

В качестве примера рассмотрим процедуру сегментации 4-го спектрального канала исходного изображения с помощью скользящего окна размером: 4x4 пикселя. Для каждого положения скользящего окна можно провести вейвлет декомпозицию, в результате которого рассчитывают матрицы коэффициентов детализаций: сН1 (горизонтальную), cVl (вертикальную), cDl (диагональную) и матрицы аппроксимаций первого порядка сА1. Полученные матрицы имеют размер 2x2 пикселя. Для каждой из этих матриц рассчитывают яркостные (аппроксимации) и текстурные (детализации) показатели. Эти по-

127

казатели образуют пространство признаков, в котором можно провести неконтролируемую классификацию.

Пример классификации представлен на рис.2.2.13. Как следует из рис.2.2.13, лесные участки 4 и 5 достаточно хорошо сегментируются. В то же время граница между пятым и шестым участком плохо различима. При этом следует отметить, что структура кластеров этих участков существенно различна, что позволяет использовать результаты кластеризации в качестве вспомогательного инструмента при визуальном дешифрировании лесов.

Результат текстурной классификации тестового фрагмента изображения (рис.2.2.10) по детализациям cHl, cVl и cDl и аппроксимации сА1. Размер скользящего окна

Рис.2.2.13. Результат текстурной классификации тестового фрагмента изображения (рис.2.2.10) по детализациям cHl, cVl и cDl и аппроксимации сА1. Размер скользящего окна: 4x4 пикселя, размер матриц вейвлет-коэффициентов: 2x2 элемента

На основании выше изложенного можно сделать следующие выводы:

  • 1. Использование текстурных показателей спутниковых изображений позволяет более эффективно проводить экологическое зонирование лесного покрова в районе техногенного воздействия на леса.
  • 2. Результаты экологического зонирования позволяют осуществлять оценки относительных экологических ущербов, нанесенных лесам техногенными авариями.
  • 3. Использование только текстурных показателей для дистанционной классификации лесных участков является недостаточным. Удовлетворительные результаты дистанционной классификации могут быть получены только при совместном использовании как текстурных, так и яркостных спектральных показателей.
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >