Дипломная работа: Обработка и визуализация объектов на космических изображениях средствами пакета Contour
Дипломная работа: Обработка и визуализация объектов на космических изображениях средствами пакета Contour
Дипломная работа
Обработка и визуализация объектов на космических изображениях средствами пакета Contour
Оглавление
Введение
1.1 Физические основы дистанционного зондирования
1.3 Основы теории цвета
1.4 Растровая и векторная графика
2. Методика эксперимента
3. Экспериментальные результаты
Выводы
ВведениеВ последнее десятилетие для России важное значение приобрели спутниковые методы исследования ее территории. Это связано как с дальнейшим совершенствованием космической техники, так и со свертыванием авиационных и наземных методов мониторинга.
Основные области применения спутникового дистанционного зондирования - получение информации о состоянии окружающей среды и землепользовании, изучение растительных сообществ, оценка урожая сельскохозяйственных культур, оценка последствий стихийных бедствий. Средства дистанционного зондирования эффективны при изучении загрязнения почвы и водоемов, льдов на суше и на воде, и океанологии. Эти средства позволяют получать сведения о состоянии атмосферы, в том числе глобальном масштабе. Данные зондирования поступают в виде растровых изображений земли из космоса. Они и являются моим объектом исследования в данной работе. А предметом исследования - любые аномальные области (вырубки, гари…) на снимках. Обнаружение и обработка таких областей является важным процессом и занимает достаточно большое количество времени и системных ресурсов. В данной работе создано программное обеспечение в качестве одной из разновидностей геоинформационных систем, позволяющей проводить классификацию по цветам, оконтуривать классы и производить тематическую обработку для оптимизации процесса обработки космической информации на снимках при минимальной потере качества. Написанное программное обеспечение позволяет проводить эффективное оконтуривание областей, представлять границы в векторном формате для экспортирования в мировые геоинформационные системы. Результаты данной работы являются актуальными и востребованными в сфере работ наземных служб по контролю растительного покрова Земли.
1. Литературный обзор 1.1 Физические основы дистанционного зондирования
При дистанционном зондировании Земли из космоса используется оптический диапазон электромагнитных волн и микроволновый участок радиодиапазона. На рис.1.1 представлен оптический диапазон, включающий в себя ультрафиолетовый (УФ) участок спектра, видимый участок - синяя полоса (С), зеленая (З), красная (К); инфракрасный участок (ИК) - ближний ИК (БИК), средний ИК (СИК) и тепловой ИК (ТИК) [1].
В пассивных методах зондирования в оптическом диапазоне источниками электромагнитной энергии являются разогретые до достаточно высокой температуры твердые, жидкие, газообразные тела.
При термодинамическом равновесии с окружающей средой все тела с одинаковой температурой Т излучают одинаково (первый закон Кирхгофа).
В состоянии термодинамического равновесия поглощаемая в секунду участком поверхности энергия равна энергии, излучаемой в тот же промежуток времени той же поверхностью (второй закон Кирхгофа).
Интенсивность излучения I в заданном направлении, характеризуемом углом a от нормали к излучающей поверхности абсолютно черного тела, определяется законом Ламберта: I = I0 cosa, где I0 - интенсивность излучения при a = 0, которая максимальна; при a = 90°, т.е. по касательной к поверхности, интенсивность излучения равна нулю.
По формуле Планка плотность потока мощности, излучаемой в состоянии термодинамического равновесия единицей поверхности абсолютно черного тела с температурой T в интервале длин волн l, l + dl в телесный угол 2p стерадиан (ср)
B (l,T) = 
×
×
(1.1)
Здесь с1 = 1, 1911×108 Вт×мкм4/м2ср; c2 = 14388 мкм×К; Максимум излучения приходится на l = 2898/T мкм.
Полная энергия во всем интервале длин волн описывается формулой Стефана-Больцмана:
¥
ò B (l,T) dl = a ×T4, a = 5,67*10-8 Вт×м - 2×К-4. (1.2)
0
При наблюдении Земли из космоса на длине волны короче 2-3 мкм регистрируется энергия Солнца, отраженная и рассеянная поверхностью суши, воды и облаков.
Температура поверхности (фотосферы) Солнца равна 5785 К, максимум излучения приходится на 0,5 мкм. На рис.1.2 приведено распределение энергии в спектре Солнца согласно формуле Планка. Озон, содержащийся в атмосфере в небольшом количестве, сильно поглощает ультрафиолетовое излучение с длиной волны короче 0,3 мкм, так что при наблюдении Солнца с поверхности Земли отсутствует коротковолновый скат кривой B (l,T) (заштрихован на рис.1.2).
В остальном реальный спектр Солнца мало отличается от рис.1.2.
Рис 1.2. Распределение энергии в спектре Солнца согласно закону Планка
На длинах волн более 4 мкм собственное тепловое излучение Земли превосходит излучение Солнца. Регистрируя интенсивность теплового излучения Земли из космоса, можно достаточно точно оценивать температуру суши и водной поверхности, которая является важнейшей экологической характеристикой [2].
При регистрации теплового излучения со спутников используется интервал длин волн 10-14 мкм, в котором поглощение в атмосфере невелико. При температуре земной поверхности (облаков), равной минус 50° С, максимум излучения согласно (1.1) приходится на 12 мкм, при 50° С - на 9 мкм.
Если с помощью датчика, установленного на спутнике, измерено значение плотности потока мощности B =B (λ, Т) от некоторого объекта, то из (1.1) получаем: T = λ/c2 ln (c1/λ5B + 1). Определенная по интенсивности В теплового излучения (радиации) температура Т носит название радиационной, в отличие от термодинамической температуры, характеризующей интенсивность теплового движения молекул вещества и измеряемой контактным термометром [3].
1.2 Сегментация изображений
Одним из самых распространенных методов выделения объектов на космических изображениях Земли является сегментация. Этот метод носит черты и детерминированного, и статистического подходов. Под сегментацией, в широком смысле, понимают преобразование полутоновых или цветных изображений в изображения, имеющие меньшее число тонов или цветов, чем исходные. В узком смысле сегментацией называют преобразование полутонового изображения в двухуровневое (бинарное), содержащее всего два уровня яркости - минимальный (обычно это 0) и максимальный (обычно 255). При этом объект и фон разделены, легко определить число объектов, характеристики их местоположения (координаты, поворот выделенной оси объекта относительно координатных осей и т.п.), геометрические характеристики (например площадь каждого объекта, периметр, средний, минимальный, максимальный размеры) и, наконец, идентифицировать объект - указать, что это такое [4].
Целью сегментации является выделение областей, однородных в каком-то определенном заданном смысле (сегментов). Однородность является признаком принадлежности области к определенному классу.
Очень часто сегментация используется для выделения областей приблизительно одинакового тона и/или цвета. Вместе с тем сегментация часто используется для выделения областей, однородных в смысле некоторого более сложного свойства (например типа текстуры). Такие области принято называть кластерами [5].
Текстурой в теории обработки изображений называют структуру, которая характеризуется наличием повторяющегося "рисунка", состоящего из некоторых однородных участков приблизительно одинаковых размеров. Примером текстурного изображения являются фотоснимок кирпичной стены, аэрофотоснимок городских кварталов, космическое изображение участка летней тундры с многочисленными круглыми озерами.
Применяются три основных способа сегментации изображений: пороговая, путем наращивания областей, путем выделения границ.
Пороговая сегментация состоит в простом объединении близких по характеристикам областей изображения в небольшое число сегментов. Пороговая сегментация может осуществляться на основе априорно заданных порогов. Если яркость превышает порог, то элемент изображения относят к одному сегменту, если она ниже порога - то к другому. Это самый простой способ и требует минимальных вычислительных затрат [6].
Другой, более адекватный, способ выбора порогов заключается в том, что пороги выбираются как границы мод гистограммы изображения. Рассмотрим более подробно этот способ выбора на примере бинаризации полутонового изображения, у которого гистограмма содержит две моды.
Если моды гистограмм не перекрываются или перекрываются слабо, то выбор порога разбиения изображения на две области U1 и U2 не представляют труда. Этот случай типичен для задачи выделения площадей, покрытых снегом и льдом на фоне леса и оттаявшей земли по результатам дистанционных исследований. Гистограмма такого изображения имеет две моды - одна отвечает более темному фону, вторая - объектам с большей яркостью, т.е. снегу/льду, между модами существует резкая и протяженная зона минимума. Порог можно выбрать посередине зоны (рис.1.4).
В способе сегментация путем наращивания областей выделяются однородные области. Рассмотрим вначале сегментацию путем наращивания областей с использованием критерия однородности по значению яркости (вектора яркости). Схема алгоритма этого метода предусматривает выбор стартового пикселя и рассмотрение смежных с ним пикселей для проверки близости их значений, например, по евклидову расстоянию. Если значения яркости текущего и какого-либо смежного пикселей оказываются близкими, то эти пиксели зачисляются в одну область. Таким образом, область формируется в результате сращивания отдельных пикселей. На определенном этапе (зависящем от модификации алгоритма) область проверяется на однородность и, если результат проверки оказывается отрицательным, то область разбивается на более мелкие участки. Процесс продолжается до тех пор, пока все выделенные области не выдержат проверки на однородность [7].
Общая схема проверки области на однородность состоит в следующем. Пусть F (R) - заданная мера однородности области R. Если R12 = R1∩R2, то критерий однородности можно задать, потребовав, чтобы выполнялось условие F (R12) ≤ ε, ε - заданный порог.
Таким образом, при сегментации путем наращивания областей учитывается структура области, её связность. Это бывает важно при обработке данных дистанционного зондирования, нередко этот метод дает лучшие результаты, чем другие методы, не учитывающие связность и рассчитанные на индивидуальное отнесение каждого пикселя к тому или иному классу.
Дальнейшая классификация алгоритмов основана на способе наращивания области. При использовании квадратной или прямоугольной сетки используются 2 вида связности: 4 - и 8-связность [8].
Сегментация путем выделения границ предусматривает использование оператора градиента. После этого для установления факта, что действительно обнаружена граница, применяется процедура разделения по порогу. Затем пиксели, идентифицированные как граничные, соединяются в замкнутые кривые, окружающие соответствующие области.
В этом методе, как и в других методах сегментации, существенным является критерий однородности области, по характеристике которой и вычисляются значения градиента. Прямые методы сегментации путем выделения границ предусматривают применение к исходному изображению.
Задача построения границ сегментов на изображении градиента выступает в качестве самостоятельной задачи. Вообще говоря, эта задача довольно сложная и может быть решена лишь в самых простейших случаях. Например, можно выделять локальные максимумы градиента всех строк и столбцов изображения [9].
Сегментация путем выделения границ показала, что метод достаточно хорошо работает только при большой протяженности границы [10].
1.3 Основы теории цветаГлаз. Если опустить несущественные для восприятия цвета оптические детали, глаз подобен цифровому фотоаппарату с очень неравномерным распределением пикселей по площади кадра.
"Пикселями" на сетчатке глаза служат светочувствительные клетки двух разновидностей: палочки и колбочки. Причем, палочки действуют в основном при слабом освещении и предоставляют информацию лишь о яркости, а колбочки, эффективно действующие только при достаточно ярком свете, позволяют глазу различать цвета.
Колбочки трех типов, называемые обычно S-, M-, и L-колбочками, воспринимают свет соответственно в коротко-, средне-, и длинноволновой областях спектра. Часто их называют также синими, зелеными и красными колбочками, что не совсем корректно, но зато, наглядно.
Примерно следующим образом распределяется чувствительность клеток сетчатки (рис.1.3):
Рис.1.3 Распределение чувствительности клеток сетчатки
Заметим, что это нормализованная чувствительность. В абсолютных значениях чувствительность палочек примерно вдвое превосходит максимальную чувствительность колбочек, а сами колбочки активно подстраиваются под освещение и почти никогда не обладают одинаковыми максимумами чувствительности [11].
Сетчатка глаза содержит примерно 100 млн. палочек и 5 млн. колбочек. В центре сетчатки, в области так называемого "желтого пятна" больше концентрация красных и зеленых колбочек, на периферии - палочек и синих колбочек. В центре желтого пятна - "ямке" - палочек и синих колбочек нет вообще. Как следствие, мелкие красные и зеленые детали различить нам не составляет труда, а синие, если смотреть прямо на них, мало отличаются от черных.
Основная информация о деталях изображения и о цветах доставляется нам колбочками, расположенными в желтом пятне и ямке. Периферийное зрение имеет достаточно невысокое разрешение и не позволяет толком различать цвета. В то же время, увеличение концентрации палочек делает периферийное зрение более действенным в темноте. Ночью, зачастую, проще рассмотреть темный объект, отведя взгляд чуть в сторону.
программа contour delphi зондирование
Также различием палочек и колбочек определяется ночной сдвиг пика чувствительности, называемый эффектом Пуркинье. При ярком свете глаз наиболее чувствителен к длинам волн около 554 нм, но в темноте, когда зрение практически полностью определяется палочками, пик чувствительности сдвигается к 511 нм. Таким образом, ночью все кошки действительно становятся серыми, и если вы умудритесь найти кошек синего и красного цветов, то синяя, посерев, станет гораздо светлее красной.
Подбор цветов в трехцветность. До сих пор мы говорили о цвете как о спектральной характеристике света, т.е. о его физическом смысле. Рассмотрим теперь более житейское понимание цвета. Зеленый цвет дает зеленая лампочка, красный - красная. Если на белый лист бумаги посветить обеими лампочками - он станет желтым. Что это означает? Означает это, что одни цвета можно получить смешением других. Очевидный, казалось бы, вывод становится совсем неочевидным при распространении его на все возможные цвета. Один из основных опытов, служащих изучению цвета - подбор цветовых пар. Представьте нейтральный экран в темной комнате: левая его половина освещается лампой некоторого заданного цвета (тестовый цвет), а правая - одновременно несколькими лампами разных цветов, называемых основными. Теперь будем изменять яркость отдельных ламп основных цветов, пытаясь сделать их общий цвет неотличимым от тестового. Закончив подбор, запишем тестовый цвет как сумму основных с соответствующими яркостям ламп весовыми коэффициентами. Эксперимент показывает, что подобрать цвета таким образом возможно практически во всех случаях, но основных цветов может понадобиться очень и очень много.
