Методы дешифрирования аэрокосмических снимков
При дистанционном изучении местность (объекты и явления) заменяются моделью — результатами аэро- или космических съемок. На материалах дистанционных съемок объективно и документально регистрируются данные об изучаемых объектах. Многие информационные задачи для кадастра решаются непосредственно по первичным материалам — фотоснимкам, фотосхемам, визуализированным изображениям. Информационные возможности различных съемочных систем различны, поэтому приемы и методы дешифрирования различны.
В зависимости от используемых средств считывания и анализа видеоинформации выделяют следующие методы дешифрирования:
визуальный, в котором информация со снимков считывается и анализируется человеком;
машинно-визуальный, в котором видеоинформация предварительно преобразуется специализированными средствами с целью облегчения последующего визуального анализа;
автоматизированный, в котором считывание со снимков и анализ построчно записанной видеоинформации выполняются специализированными интерпретационными машинами при активном участии оператора;
автоматический, в котором дешифрирование полностью выполняется интерпретационными машинами.
Для обработки и тематического дешифрирования изображений разработан ряд программ. Наиболее известными являются: ERDAS Imagine, ER Mapper Idrisi (растровая ГИС). Эти программные продукты позволяют выполнять:
ввод и первичное формирование изображения;
предварительную обработку изображения (геометрическую коррекцию, подавление шумов);
тематическую обработку;
перевод обработанных данных в ГИС.
Версия для печати
Составление регрессионных моделей по данным дистанционного зондирования Регрессионная нормализация данных дистанционного зондирования в R
Описание метода и реализации
Обсудить в форумеКомментариев — 4
При совместном анализе нескольких изображений часто необходимо их привести одно к другому статистически, чтобы использовать единую методологию классификации или другого численного анализа. Рассмотрим на примере двух изображений процедуру приведения их друг к другу с помощью регрессионной нормализации. Данный способ является одним из наиболее часто используемых в дистанционном зондировании и описан в классической работе: Collins, J.B., & Woodcock, C.E. (1996). An assessment of several linear change detection techniques for mapping forest mortality using multitemporal Landsat TM data. Remote Sensing of Environment, 56, 66-77
Согласно этой методологии на двух снимках находятся относительно неизменившиеся области (pseudo invariant targets), обычно в двух противоположных концах спектра (например вода и выходы скальных обнажений или чистый песок). Значения спектральных яркостей регрессируются друг другу поканально. Затем коэффициенты регрессии используются чтобы пересчитать одно из изображений, приблизив его таким образом численно к другому.
Итак:
Данные: два снимка, один - исходный, тот который мы хотим приблизить к второму - опорному.
Программное обеспечение: R и одно из средств профилирования (по выбору), разумеется помимо R может быть использованы и другие пакеты, например полученные коэффициенты регрессии могут быть использованы в Modeller ERDAS IMAGINE и другом ПО.
Получаем набор значений
Для начала работы, необходимо получить набор значений, для которых будет получены коэффициенты регрессии. Получить эти значения можно множеством разных способов, один из них - идентифицировать на паре снимков 20-30 точек в областях не подвергшихся каким либо изменениям между временем получения первого и второго снимка. Разумеется, это не касается фенологических изменений.
Успешность данного метода нормализации целиком зависит от правильность выбора данных для получения коэффициентов регрессии. Данные не должны собираться в районе сильных изменений. Следует также учитывать сложно привязки отдельных пикселей, поэтому точки должны ставиться сериями 2х2 или 3х3 с последующим удалением выбросов или взятием среднего/медианы. Так же следует учитывать возможное смещение снимков относительно друг друга, это особенно актуально для данных низкого разрешения.
Пример графика распределения яркостей в первом канале тестового изображения
Пример расставления нескольких серий точек
Точки могут создаваться в векторном слое. Дальше этот слой может быть использован в одном из инструментов профилирования для экстракции поканальных значений. Например можно использовать наше расширение для Arcview.
Результатом работы инструмента профилирования является таблица, где каждой точке соответствует запись с набором значений некотором количестве полей. Это количество равно количеству каналов исходного и опорного изображения.