РАЗРАБОТКА МЕТОДИКИ ВИЗУАЛИЗАЦИИ И ОБРАБОТКИ ГЕОПРОСТРАНСТВЕННЫХ ДАННЫХ

Р.А.Алешко, А.Т.Гурьев, К.В.Шошина, В.С.Щеников

Северный (Арктический) федеральный университет имени М.В. Ломоносова, Россия

Содержание

1. Введение

Список используемой литературы

Аннотация

С развитием техники и технологий применение методов визуализации, анализа и обработки геопространственных данных для решения различных задач народного хозяйства является одним из самых оперативных и экономически обоснованных вариантов получения информации о территории. В лесном хозяйстве дешифрирование аэрокосмических снимков применяется на протяжении почти полувека, но организация аэросъемки территории всегда была дорогостоящим мероприятием, а развитие спутниковой съемки остановилось на пространственном разрешении данных 0.5 метров на пиксель, чего часто недостаточно для детального исследования территории. В сложившейся ситуации целесообразным является использование данных с беспилотных летательных аппаратов, снимки с которых обладают сравнительно низкой стоимостью и высоким разрешением. Авторами предлагается методика по визуальному представлению и автоматизированной обработке снимков с беспилотного летального аппарата на примере классификации и определения параметров лесных насаждений.

Ключевые слова: визуализация геопространственных данных, обработка изображений, алгоритм тематической обработки, беспилотный летательный аппарат, автоматизация дешифрирования.

1. Введение

В настоящее время в лесопромышленном комплексе потребность в информации о лесных ресурсах уже не удовлетворяется использованием только специализированных цифровых карт и баз атрибутивных данных (Cihlar et al., 2003; Sukhikh et al., 2005). Недостаточная актуальность имеющейся информации зачастую приводит к замедлению принятия управленческих решений. На сегодняшний день существует потребность в регулярно обновляемых данных о лесных ресурсах. В большинстве случаев для правильной оценки выбранного варианта решения поставленной задачи необходимо иметь достоверную и актуальную информацию о лесах. Такую информацию могут предоставить материалы дистанционного зондирования Земли: спутниковые снимки и данные аэрофотосъемки.

В связи с увеличением объемов данных аэрокосмической съемки, а также вычислительной мощности технических средств все чаще возникает потребность в автоматизации обработки значительного объема полученной информации. Анализ существующих методик и алгоритмов автоматизированного дешифрирования лесных территорий показал, что, несмотря на значительные результаты исследований в данной области, применение методик автоматизированной тематической обработки данных дистанционного зондирования в лесопромышленном комплексе весьма ограничено. Это, как правило, связано с недостаточно развитым математическим аппаратом в данной области и сложностью формализации процесса дешифрирования лесов. В частности, существующие методики дешифрирования не обеспечивают достаточного уровня достоверности получаемых данных. Поэтому актуальной является работа, направленная на теоретическое обобщение подходов к тематической обработке спутниковых снимков лесных территорий и решение научно-технической задачи, связанной с созданием методик и алгоритмов тематической обработки спутниковых снимков лесных территорий (Aleshko et al., 2013; Guriev et al., 2009).

Большинство исследований в области дистанционного зондирования Земли проводятся на основе спутниковых снимков, при этом текущая ситуация на рынке космической съемки состоит в том, что максимальная разрешающая способность снимков, поставляемых пользователю равна приблизительно 0,5 метра на пиксель. Такого разрешения, как правило, недостаточно для выделения отдельных крон деревьев на изображении.

Альтернативным вариантом получения данных сверхвысокого разрешения о территории является съемка беспилотными летательными аппаратами (БПЛА). По стоимости данный вид съемки близок к детальной спутниковой, но имеет ряд преимуществ, таких как отсутствие помех, связанных с облачностью, высокое разрешение, высокая оперативность съемки и др.

Новые методы получения данных требуют, соответственно, новых методов автоматизированной обработки полученной информации. Методы обработки аэроснимков с БПЛА будут значительно отличаться от методов обработки спутниковых снимков среднего и высокого разрешения, где используются преимущественно подходы, основанные на попиксельном анализе изображения (Jiaa et al., 2014; Aleshko et al, 2013). Также значительные отличия будут и с методами обработки спутниковых снимков сверхвысокого разрешения, где чаще всего применяется текстурный подход обработки изображения (Puissant et al.,2005; Hu et al., 2005; St-Louis et al., 2009).

На снимке, получаемом с БПЛА различимо множество объектов, не доступных ранее для дешифрирования по спутниковым снимкам. Авторами предлагается обобщение методов морфологической обработки изображений для идентификации отдельных крон деревьев на снимке лесной территории.

2. Методика

В исследовании предлагается методика автоматизированного выделения крон деревьев по данным аэросъемки, полученных с БПЛА. Получение съемочных данных проводилось с применением БПЛА «Supercam-350», ведущего съемку в видимом диапазоне. Методика включает набор алгоритмов обработки изображений, применяемых последовательно к исходному изображению.

На рис. 1 показан исходный фрагмент снимка с БПЛА, на котором изображен лесной участок, пространственное разрешение снимка 5 сантиметров на пиксель. На изображении представлены кроны деревьев и межкроновые пространства.

texture5

Рис. 1. Исходный аэроснимок

К изображению был применен ASF-фильтр (alternating sequential filtering) с размером окна равным 2 пикселям. Данный метод фильтрации изображения относится к алгоритмам морфологической обработки растра. Суть данного алгоритма заключается в использовании морфологических операций «открытие» и «закрытие» применительно к обрабатываемому изображению.

Как известно (Dougherty et al., 2003), операция «размыкание» («open») бинарного изображения A структурным элементом B математически представляется в виде комбинации операций «наращивания» и «эрозии» растра:

A ◦ B = (A ⊖ B) ⊕ B

В приведенной формуле операция ⊖ «эрозия» имеет следующий математический смысл:

A ⊖ B = {z ∈ A | B_z ⊆ A},

операция «наращивание»:

A ⊕ B = .

Аналогично, морфологическая операция «замыкание» («close») имеет следующую математическую формулировку:

A • B = (A ⊕ B) ⊖ B

На основе представленных формул алгоритм ASF-фильтрации для изображения S реализуется следующим образом:

(((((S • B) ◦ B) • 2B) ◦ 2B) . . . • nB) ◦ nB,

С использованием фильтрации данного вида мы избавились от небольших «пиков» и «впадин», т.е. сгладили исходное изображение изображение.

Следующим шагом определялись локальные максимумы растра. На рис. 2 представлен результат обработки исходного изображения с наложенными на него локальными максимумами.

result

Рис. 2. Результат ASF-фильтрации и вычисления локальных максимумов изображения

Далее к изображению применялся метод водораздела. При использовании данного метода растр представляется в качестве трехмерной поверхности, точки которого заданы двумя пространственными координатами, а в качестве высоты выступает уровень яркости. Наиболее важным применением метода водораздела является выделение однородных по яркости объектов на изображении.

Обозначим М₁, М₂, ..., M_K — множества точек координатной плоскости, которые соответствуют локальным минимумам поверхности (изображения) G(x,y).

Пусть С(M_i) – множество точек бассейна, отвечающего локальному минимуму M_i. Через min и max обозначим наименьшее и наибольшее значения изображения G(x, у). Запись P[n] означает множество точек (s, t), для которых G(s, t) < n, т.е.

P[n] представляет собой множество точек, в которых поверхность G(x, у) лежит ниже плоскости G(x, у) = n. В моменты заполнения рельефа водой уровень поднимается в виде дискретных приращений от n = min + 1 до n = max + 1.

Введем обозначение C_n(M_i) – множество точек бассейна с локальным минимумом M_i, которые залиты водой на шаге n. С учетом вышесказанного, C_n(M_i) рассматривается как двоичное изображение, задаваемое соотношением:

Пусть С[n] — залитые водой части всех бассейнов на шаге n, тогда:

Выполнение алгоритма водораздела начинается с инициализации C[min+1] = P[min+1]. Последовательность действий выполняется рекуррентно, при этом предполагается, что на n-ом шаге множество С [n—1] уже построено.

Для получения множества С[n] из С[n-1] выполняются следующие действия. Пусть Q[n] — множество компонент связности множества P[n]. Тогда для каждой связной компоненты q в Q[n] есть три варианта значений. Способ построения С[n] по C[n—1] зависит от того, какое из условий имеет место:

а) q ∩ C[n—1] дает пустое множество; это означает, что встретился новый локальный минимум; в этом случае для построения множества С[n] компонента q добавляется к С[n—1].

б) q ∩ С[n—1] содержит единственную компоненту связности множества C[n—1]; Данное условие q лежит внутри бассейна некоторого локального минимума; в этом случае для построения множества С[n] компонента q также добавляется к С[n—1].

в) q ∩ С[n—1] содержит более одной компоненты связности множества С[n—1]. Это условие возникает, когда встретились точки гребня, разделяющего два или более бассейна. В этом случае дальнейший подъем воды приведет к слиянию бассейнов, следовательно, внутри связной компоненты q должна быть построена перегородка, не позволяющая бассейнам слиться вместе. Результат применения алгоритма водораздела приведен на рис. 3.

result

Рис. 3. Результат работы алгоритма водораздела

Применение алгоритма сегментации по водоразделам часто приводит к эффекту избыточной сегментации, вызванной шумом и другими локальными неровностями на изображении. Это означает огромное число областей, выделенных при сегментации. Избыточная сегментация может быть настолько значительной, что сделает результат практически бесполезным.

Подход, применяемый для управления избыточной сегментацией, основан на идее маркеров. Маркером является связная компонента, принадлежащая изображению. В нашем случае в качестве маркеров зададим выделенные ранее локальные максимумы вершин деревьев. В результате получим набор контуров, представленных на рис. 4.

result

Рис. 4. Результат работы алгоритма водораздела с маркерами

3. Результаты

Результатом предложенной методики будет являться набор контуров крон деревьев в лесном массиве, полученных автоматизировано с использованием описанной в статье методики (Рис. 5).

После получения изображения с выделенными контурами крон была проведена процедура векторизации полученных контуров с целью интегрирования и последующей обработки в геоинформационной системе. Векторный слой контуров крон, наложенный на исходный снимок с БПЛА, представлен на рис. 5.

Рис. 5. Векторный слой контуров крон деревьев, наложенный на исходный снимок

Методика была реализована в виде программного средства на языке программирования Python в качестве модуля информационной системы управления лесными ресурсами.

4. Обсуждение

Исследование свойств объектов лесной растительности проводится на протяжении длительного периода времени в работах многих ученых (Sukhikh et al., 2005; Franklin, 2001; Wulder et al., 2006). При этом большинство работ в области определения параметров лесных древостоев по данным дистанционного зондирования были ориентированы на данные спутниковой съемки среднего и высокого разрешения. Но возможности космических съемочных средств пока не достигли необходимого уровня пространственного разрешения в виду технических, правовых и других причин. Все больше экспертов в области лесного хозяйства склоняются к мнению, что определить характеристики древостоев по спутниковым данным с достаточным уровнем точности не представляется возможным. При этом использование съемки с применением пилотируемых средств часто является экономически необоснованным и значительно увеличивает стоимость проведения лесоинвентаризационных работ.

Все чаще появляются работы, направленные на разработку альтернативных методов получения и обновления данных о лесах (Bater el al., Wulder et al.). Одним из приоритетных и экономически эффективных с точки зрения получаемого картографического и атибутивного материала является получение и обработка данных с БПЛА.

Но нельзя не согласиться с тем утверждением, что обработка аэрофотоснимков для решения задач лесоинвентаризации является задачей более трудоемкой и продолжительной, чем интерпретация спутниковых снимков. В данной ситуации не обойтись без создания новых математических методик и реализации их в программных системах для применения на практике специалистами.

Алгоритмы, основанные на использовании метода водораздела и его расширения на базе маркеров, разработаны сравнительно недавно (Gao et al., 2004; Nguyen et al., 2003) и применялись в основном для анализа медицинский изображений (Ng et al., 2006; Letteboera, 2004) и с целью изучения микроскопического строения органических материалов (Karvelis et al, 2008; Arslan et al., 2014).

Представленная в статье методика и ее развитие в виде различных алгоритмов классификации выделяемых контуров позволит значительно ускорить процесс тематической интерпретации съемочных данных с БПЛА и обновления данных о лесных ресурсах.

5. Заключение

Таким образом, авторами разработана новая методика идентификации крон деревьев по данным аэрофотосъемки с БПЛА. Методика будет полезна для автоматизации процесса тематической интерпретации ортотрансформированных снимков с пространственным разрешением 5-10 сантиметров на пиксель. Эксперименты, представленные в статье, проводились на снимках сомкнутых лесов севера европейской части России.

В дальнейшем предполагается проводить исследования в направлении классификации выделенных контуров деревьев, разработки алгоритмов разделения кроновых комплексов на отдельные кроны, создания подходов к генерализации полученных данных о лесной территории для выделения однородных областей и создания тематических карт.

6. Благодарности

Исследование проводится при поддержке грантов Российского фонда фундаментальных исследований, проекты № 14-07-31076, 14-07-98801.

Коллектив авторов выражает признательность работникам и директору ООО «Беспилотные системы» за предоставленные материалы съемки с БПЛА.

Список используемой литературы

1. Алешко Р.А., Гурьев А.Т. Методика тематического дешифрирования спутниковых снимков лесных территорий на основе структурных моделей //Известия Вузов. Приборостроение. 2013. Т.56. №7. С. 76–77.

2. Алешко Р.А., Гурьев А.Т. Структурное моделирование взаимосвязей дешифровочных признаков спутниковых снимков и таксационных параметров лесных насаждений — Труды СПИИРАН. Вып. 29 (2013). С. 180–189.

3. Arslan S., Ozyurek E., Gunduz-Demir C. A color and shape based algorithm for segmentation of white blood cells in peripheral blood and bone marrow images, Cytometry Part A, Volume 85, Issue 6, June 2014 pp. 480–490

4. Bater C., Wulder M.A., Coops N.C., Nelson R.F., Hilker T., Næsset E. 2011, Stability of sample-based scanning LiDAR-derived vegetation metrics for forest monitoring. IEEE Transactions on Geoscience and Remote Sensing 49(6): 2385-2392

5. Cihlar J., Latifovic R., Beaubien J., Guindon B., Palmer M. Thematic mapper (TM) based accuracy assessment of a land cover product for Canada derived from SPOT VEGETATION (VGT) data, Canadian Journal of Remote Sensing, 2003, 29(2), pp. 154-170

6. Edward R. Dougherty, Roberto A. Lotufo Hands-on Morphological Image Processing // SPIE Press, Jan 1, 2003 - Technology & Engineering - 272 p.

7. Franklin S.E. Remote Sensing for Sustainable Forest Management, CRC Press; 1 edition, June 2001, 424 p.

8. Gao H., Xue P., Lin W. A new marker-based watershed algorithm, Circuits and Systems, 2004. ISCAS '04. Proceedings of the 2004 International Symposium, Volume 2, May 2004, pp. 81-84

9. Guriev A.T., Aleshko R.A. Adapting the combined database of cartographic and attribute information of forest plantations by automating remote sensing data interpretation // “Earth From Space – The most effective solutions” / Research and development center “ScanEx”, “Transparent world”, BKL Publishers, 2009, p. 233-234.

10. Hu X., Tao C. V., Prenzel B. Automatic segmentation of high-resolution aatellite imagery by integrating texture, intensity, and color features, Photogrammetric Engineering & Remote Sensing, Vol. 71, No. 12, December 2005, pp. 1399–1406

11. Jiaa K, Liang S, Zhang L., Wei X., Yao Y., Xie X. Forest cover classification using Landsat ETM+ data and time series MODIS NDVI data, International Journal of Applied Earth Observation and Geoinformation Volume 33, December 2014, pp. 32–38

12. Karvelis P.S., Tzallas, A.T., Fotiadis, D.I., Georgiou I. A Multichannel Watershed-Based Segmentation Method for Multispectral Chromosome Classification, Medical Imaging, IEEE Transactions, Volume 27 , Issue 5, May 2008, pp. 697 – 708

13. Letteboera M.M.J., Olsenb O.F., Damb E.B., Willemsc P.W.A., Viergevera M.A., Niessena W.J. Segmentation of tumors in magnetic resonance brain images using an interactive multiscale watershed algorithm, Academic Radiology, Volume 11, Issue 10, October 2004, pp. 1125–1138

14. Ng H.P., Ong S.H., Foong K.W.C., Goh P.S., Nowinski W.L. Medical Image Segmentation Using K-Means Clustering and Improved Watershed Algorithm, Image Analysis and Interpretation, 2006 IEEE Southwest Symposium, 26-28 March 2006, pp. 61 – 65

15. Nguyen H.T., Worring M., Boomgaard R. Watersnakes: Energy-Driven Watershed Segmentation, IEEE Transactions on Pattern Analysis And Machine Intelligence, VOL. 25, No. 3, March 2003, pp. 330 - 342

16. Puissant A., Hirscha J., Webera C. The utility of texture analysis to improve per‐pixel classification for high to very high spatial resolution imagery, International Journal of Remote Sensing, Volume 26, Issue 4, 2005, pp. 733-745

17. St-Louis V., Pidgeon A.M., Clayton M.K., Locke B.A., Bash D., Radeloff V.C. Satellite image texture and a vegetation index predict avian biodiversity in the Chihuahuan Desert of New Mexico, Ecography, Volume 32, Issue 3, June 2009 pp. 468–480

18. Сухих В.И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве: Учебник. — Йошкар-Ола: МарГТУ, 2005. – 392 c.

19. Wulder M.A., Coops N.C., Hudak A.T., Morsdorf F., Nelson R., Newnham G., Vastarantag M. Status and prospects for LiDAR remote sensing of forested ecosystems, Canadian Journal of Remote Sensing, 2013, 39(s1): S1-S5

20. Wulder M.A., Franklin S.E. Understanding Forest Disturbance and Spatial Pattern: Remote Sensing and GIS Approaches, CRC Press; 1 edition, July 2006, 246 p.

DEVELOPMENT OF METHODOLOGY FOR VISUALIZATION AND PROCESSING OF GEOSPATIAL DATA

R.A.Aleshko, A.T.Guriev, K.V.Shoshina, V.S.Schenikov

Northern (Arctic) Federal University, Russia

r.aleshko@gmail.com

Annotation

With the development of technology and the use of imaging technology, analysis and processing of geospatial data for the various tasks of the national economy is one of the most rapid and cost-based options for obtaining information about the area. In forestry interpretation of aerospace images used for almost half a century, but the organization of aerial territory has always been costly, and the development of satellite imagery stopped at a spatial resolution data of 0.5 meters per pixel, which is often not enough for detailed study of the territory. In this situation, it is appropriate to use data from unmanned aerial vehicles, which have pictures with relatively low cost and high resolution. The authors propose a method for visual representation and automated image processing with the unmanned aerial vehicle as an example of classification and definition of forest plantations parameters.

Keywords: geospatial data visualization, image processing algorithm thematic processing, unmanned aerial vehicle, automation decoding.

References

1. Aleshko R.A., Guriev A.T. Methodology satellite images thematic interpretation of forest areas based on structural models, Proceedings of Higher Education. Instrument making, 2013, Issue 7, pp. 76-77

2. Aleshko R.A., Guriev A.T. Structural modeling relationships between interpretive features of satellite imagery and forest inventory parameters, SPIIRAS Proceedings, Issue 29, 2013, pp. 180–189

6. Edward R. Dougherty, Roberto A. Lotufo Hands-on Morphological Image Processing // SPIE Press, 2003 - Technology & Engineering – 272 p.

7. Franklin S.E. Remote Sensing for Sustainable Forest Management, CRC Press; 1 edition, June 2001, 424 p.

8. Gao H., Xue P., Lin W. A new marker-based watershed algorithm, Circuits and Systems, 2004. ISCAS '04. Proceedings of the 2004 International Symposium, Volume 2, May 2004, pp. 81-84

15. Nguyen H.T., Worring M., Boomgaard R. Watersnakes: Energy-Driven Watershed Segmentation, IEEE Transactions on Pattern Analysis And Machine Intelligence, VOL. 25, No. 3, March 2003, pp. 330 - 342

18. Sukhikh V.I., Aerospace methods in forestry and landscape construction, Mari State Technical University, 2005, 392 p.

20. Wulder M.A., Franklin S.E. Understanding Forest Disturbance and Spatial Pattern: Remote Sensing and GIS Approaches, CRC Press; 1 edition, July 2006, 246 p.