Современные средства автоматизированного дешифрирования космических снимков и их использование в процессе создания и обновления карт

Ермошкин И.С., DATA+, E-mail: ivan@dataplus.ru

 

Remote sensing is considered as one of the most important sources of data for creation and update of geospatial map content. But even the brand new satellite system won’t give a user a valuable source of information, if he can’t process this data and extract the very information he needs. This article presents a wide review of modern remote sensing systems and technologies of automated feature extraction from satellite images and lidar data available for users on the GIS — market in Russia.

Введение

В современном быстро развивающемся мире картографическая продукция играет всё большую роль в различных отраслях хозяйства. Карты используются повсеместно: для принятия решений при чрезвычайных ситуациях, для территориального планирования, в градостроительстве, для расчета навигационного маршрута от дома до офиса и т.д. В условиях всё углубляющегося и ускоряющегося антропогенного воздействия на ландшафты поддержание актуальности картографического материала в различных масштабах становится одной из первоочередных задач.

Информацию на картах можно обновлять различными способами, включая как полевые, так и камеральные работы, используя разные источники информации: материалы геодезической съёмки, текстовые описания, справочную информацию и др. Но одним из наиболее востребованных источников для получения и обновления информации о текущем состоянии объекта картографирования являются Данные дистанционного зондирования Земли (ДДЗ).

Но даже самые современные космические снимки не позволят получить нужную информацию без быстрых и надёжных методов дешифрирования, заложенных в большинство современных специализированных программных продуктов. В статье представлен обзор материалов космической съёмки и программных модулей для обработки этой информации для целей создания и обновления карт, которые доступны на рынке геоинформационных технологий в России.

Данные дистанционного зондирования

Современный рынок ДДЗ предоставляет широкие возможности по выбору типа, формата, пространственного и радиометрического разрешения космических снимков, которые могут быть использованы для создания и обновления геопространственной информации. В зависимости от задач, которые стоят перед специалистом, он может определить объект и выбрать масштаб картографирования, а также подобрать нужное разрешение космического снимка. Для задач крупномасштабного топографического картографирования подойдут снимки сверхвысокого разрешения (разрешение крупнее 2 метров), такие как WordView 1, GEOEYE 1, CARTOSAT 2, Terra SAR X, Quick Bird, IKONOS, OrbView 3, EROS 1A и 1B, KOMPSAT 2, Ресурс-ДК, WorldView-1 и TerraSAR X, и высокого разрешения (2-3 метра), такие как Radarsat 2, ALOS PRISM, SPOT 5, CARTOSAT 1, FORMOSAT 2.

Для целей тематического картографирования, в большинстве случаев, подходят снимки сенсоров среднего пространственного разрешения, имеющие большое количество спектральных каналов, отвечающих за определённые узкие участки спектра волн. Наличие каналов в среднем, ближнем и дальнем инфракрасном диапазонах даёт расширенные возможности для прикладных задач, связанных с картографированием растительного и почвенного покровов. К таким съёмочным системам относятся, прежде всего, Rapid Eye, ALOS AVNIR-2, Landsat 5 и 7, SPOT 4 и 5, ASTER, IRS 1С/1D, RESOURCESAT-1 (IRS-P6), Монитор-Э, Hyperion. В этой группе особо выделяются гиперспектральные сенсоры, позволяющие получать несколько десятков и даже сотен каналов изображения в крайне узких участках спектра, что позволяет иногда решать специализированные задачи в области идентификации минералов и геологическом картографировании.

Современные снимки более низкого разрешения в таких системах, как MODIS, MERIS, NOAA и других, также несут огромный объём полезной информации, позволяющей решать задачи тематического картографирования в мелких масштабах.

К настоящему моменту накоплен большой архив данных дистанционного зондирования Земли, который регулярно пополняется данными, поступающими с действующих орбитальных систем. У потенциального потребителя этих данных есть широкие возможности выбора снимков по типу съёмки, пространственному и радиометрическому разрешению, а также по времени съёмки. Архивные данные, как правило, оказываются дешевле оперативных, но, в любом случае, для конечного пользователя проходит определённое время между заказом снимка и его получением, даже если данные приобретаются через Интернет. В тех случаях, когда важна высокая степень оперативности при решении текущих задач по созданию и обновлению картографического материала (например, при оперативной оценке последствий стихийных бедствий и принятии решений об устранении этих последствий), могут быть применены авиационные съёмочные системы, такие как цифровые бортовые камеры и лазерные сканеры вертолётного и самолётного базирования, позволяющие в результате съёмки получать трёхмерные модели местности. Кроме того, организации, работающие с большими объёмами информации, могут получать данные дистанционного зондирования со спутников в режиме оперативной связи, минуя поставщиков ДДЗ, если приобретут и установят у себя станцию приёма информации.

Возможности выбора и получения нужных для решения текущей задачи данных дистанционного зондирования достаточно широки, и пользователям этой информации необходимо выбрать программное обеспечение, которое позволит быстро и с наименьшими производственными затратами эти данные обработать и получить итоговый результат в виде карты, трёхмерного представления или геопространственной информации, хранимой в базе геоданных.

При использовании данных дистанционного зондирования для создания и обновления картографического материала, помимо базовых процессов подготовки данных (таких как геометрическая и радиометрическая коррекция), наибольшую роль играет дешифрирование, или классификация.

Программное обеспечение для обработки ДДЗ

Ведущие поставщики программного обеспечения для обработки ДДЗ десятилетиями развивали инструменты классификации растров, переводящие спектральную информацию в тематическую и создающие тематические изображения, в которых значение пиксела отображает его принадлежность к определённому классу. В последние годы наметилась тенденция к созданию программных продуктов, осуществляющих не только дешифрирование, но и перевод итоговой информации в векторную форму для более лёгкой интеграции этих данных в ГИС. При этом основной тенденцией является стремление к минимальному вмешательству пользователя в процесс классификации, т.е. достижение высокой степени автоматизации процесса.

Одним из пионеров в этой области был немецкий концерн Definiens, чьи программные продукты серии eCognition завоевали определённую популярность у специалистов в конце девяностых годов прошлого века. Однако подобные решения уже не являются чем-то уникальным, так как через несколько лет после eCognition американская компания Visual Learning Systems выпустила на рынок программные продукты Feature Analyst и Lidar Analyst, удачно интегрировав их в оболочки популярных программ для обработки ДДЗ и ГИС: ArcGIS, ERDAS IMAGINE, SOCET SET и GeoMedia. В 2008 году два других ключевых игрока рынка продемонстрировали свои инструменты для автоматизированного дешифрирования данных спутниковой съёмки: это корпорация ERDAS, выпустившая модуль для объектно-ориентированного дешифрирования – Imagine Objective для ERDAS IMAGINE 9.3, и компания ITT, разработавшая первую версию модуля ENVI Fx 4.5.

Все перечисленные программные продукты выполняют сходные задачи по автоматизированному дешифрированию определённых пользователем объектов по космическим снимкам и получению готовых к использованию в ГИС слоёв геопространственных данных. Благодаря высокой степени автоматизации процессов в вышеперечисленных программных продуктах (это особенно касается Feature Analyst и Imagine Objective), они могут быть использованы как неотъемлемая часть процесса создания и обновления карт с использованием ДДЗ, помогая достичь высокой оперативности в получении итоговой информации в форме цифрового картографического материала.

Модуль Feature Analyst для ERDAS IMAGINE 9.0 и ArcGIS 9.1 был выпущен в 2001 году компанией VLS, которая была впоследствии приобретена компанией Overwatch Systems. Первоначально, модуль был разработан как специальный продукт для использования специалистами армии США, однако затем он был выведен на рынок, как готовое программное решение в среде наиболее популярного программного продукта для обработки ДДЗ – ERDAS IMAGINE, и наиболее распространённой ГИС в мире – ArcGIS компании ESRI.


Рис. 1.
Автоматизированный поиск и выделение объектов по данным съёмки высокого разрешения в модуле Feature Analyst.

Модуль Feature Analyst содержит набор инструментов, позволяющих автоматизировать процесс выделения двухмерных и трёхмерных объектов, таких как дороги, здания, водные объекты, растительность, проницаемые/непроницаемые покровы, а также разделённые по типу землепользования объекты (рис. 1). Алгоритм классификации использует как множественные пространственные признаки (размер, форма, текстура, структура, пространственные связи, тени и пр.), так и спектральные особенности стереоскопических или моноскопических изображений. На выходе пользователь получает векторный файл в формате ESRI Shape, который он может тут же использовать в ГИС, так как Feature Analyst полностью интегрирован в программную среду ArcGIS (рис. 2). Можно отметить несколько ключевых особенностей Feature Analyst, таких как: инструмент Learning Explorer для объектно-ориентированного выделения информации с использованием алгоритмов обучения, система иерархического обучения для выделения определённых типов объектов на снимках территорий с высокой степенью неоднородности ландшафтов, технология Software Agent, включающая возможность выделять как мелкие объекты (автомобили, самолёты), так и крупные объекты (границы типов землепользования, ареалы распространения растений), а также группу алгоритмов для пост-классификационного редактирования. Эти инструменты и алгоритмы дают возможность «очистить» результаты классификации еще до её начала, на стадии обучения алгоритма. Пользователь также получает доступ к инструментам оценки изменений объектов, при условии использования в анализе разновременных снимков на одну и ту же территорию. Не менее интересны инструменты выделения трёхмерных объектов, позволяющие осуществить выделение объектов на основе данных лазерного сканирования или ЦМР, и группа инструментов классификации, которые позволяют проводить классификацию в режиме пакетной обработки.


Рис. 2.
Пример выполнения автоматического выделения лесной растительности по панхроматическому снимку в модуле Feature Analyst под ArcGIS 9.3.

Feature Analyst использовался специалистами Национального Агентства по Картографии и Дистанционному зондированию США – NIMA (National Imagery and Mapping Agency) в рамках длительной программы тестирования, целью которой было выявить наилучшие алгоритмы для автоматизированной классификации ДДЗ и подготовки данных для ГИС. По итогам этой программы данный модуль показал отличные результаты по скорости, точности и автоматизации процесса классификации, что было зафиксировано экспертами NIMA [1]. Из других опубликованных работ с использованием автоматизированной классификации Feature Analyst можно выделить проекты по созданию тематических карт растительности на основе данных Landsat 5 и 7, которые проводились в Университете Монтаны [2], использование Feature Analyst специалистами подразделения лесной службы США (USDA-Forest Service) для картографирования лесов с использованием снимков высокого разрешения [3], и многие другие исследования.

Другой модуль компании Overwatch Systems – Lidar Analyst – предназначен для обработки особого типа данных, полученных в результате воздушного лазерного сканирования (рис. 3). В качестве входных данных он воспринимает распространённый формат облака точек LAS, а также растры. Модуль характеризуется высокой степенью автоматизации процесса и позволяет строить поверхности «голой почвы», модели местности, выделять здания и растительность в автоматическом режиме с минимальным вмешательством пользователя. Этот модуль несколько раз использовался при анализе последствий стихийных бедствий, в первую очередь, при анализе ущерба, нанесённого домам жителей и прочим строениям, попавшим в область урагана на юге США. Для этих целей запускался лёгкий двухместный самолёт с лазерным сканером LEICA ALS50, осуществлявшим съёмку, затем эта информация обрабатывалась при помощи Lidar Analyst. Таким образом, оперативно составлялись карты изменений в зоне воздействия урагана и создавались трёхмерные модели местности, после изучения которых принимались решения по распределению сил для ликвидации последствий стихийного бедствия.


Рис. 3.
Примеры обработки данных лазерного сканирования в модуле LIDAR Analyst.

В 2008 году компания ERDAS объединила свой опыт и опыт своих конкурентов и выпустила на рынок модуль для объектно-ориентированной классификации – Imagine Objective, работающий в среде ERDAS IMAGINE 9.2 и 9.3.

Модуль IMAGINE Objective содержит набор инновационных инструментов для векторизации, выявления изменений по разновременным данным, а также создания и поддержания в актуальном состоянии геопространственной информации, полученной с помощью космических и аэроснимков (рис. 4). Компания ERDAS разработала и запатентовала механизм классификации, комбинирующий методы работы искусственного интеллекта, компьютерных алгоритмов и традиционных методов обработки ДДЗ. Работа модуля сводится не только к оконтуриванию растровых объектов, но также и к многоуровневой векторизации, созданию пространственно-целостного результата и точному отображению реальной формы каждого существующего объекта. Из ключевых особенностей модуля можно выделить возможность использования настраиваемых и надстраиваемых моделей дешифрирования определённых типов объектов, возможность очень тонкой настройки классификатора для получения адекватных результатов и, безусловно, объектно-ориентированный подход, означающий, что, помимо спектральных характеристик объектов, при классификации также используются и их пространственные свойства. IMAGINE Objective также позволяет провести дискретное выделение объектов и включение различных алгоритмов фильтрации в процесс дешифрирования, чтобы на выходе получать готовые к использованию в ГИС слои с геопространственной информацией. Полная интеграция в рабочую среду ERDAS IMAGINE предоставляет готовое решение для сложной объектно-ориентированной классификации в рамках единого программно-аппаратного комплекса. При этом для вспомогательных слоёв может привлекаться дополнительная информация, например, карты уклонов, экспозиции, данные лазерной съёмки, текстуры для объектов и пр., наряду с элементами объектно-ориентированного подхода, учитывающего метрику, близость, связность и прочие пространственные характеристики объектов.


Рис. 4.
Выполнение автоматизированной классификации растительного покрова в модуле IMAGINE Objective.

Рассказывая о современных инструментах дешифрирования ДДЗ с целью создания и обновления картографического материала, нельзя обойти вниманием программные продукты, ставшие пионерами автоматизированного дешифрирования ДДЗ на основе объектно-ориентированной классификации и сегментации изображений компании Definiens AG, которая базируется в Мюнхене. Как упоминалось выше, первоначальным продуктом на основе этой технологии было настольное приложение под названием eCognition (от англ. recognition – распознавание). Сейчас это приложение превратилось в целую линейку продуктов, реализующих масштабируемую клиент-серверную технологию анализа изображений Enterprise Image Intelligence. Среди этих продуктов есть и расширение для ArcGIS Desktop, позволяющее интегрировать технологию Definiens в геоинформационные системы на платформе ESRI.

Компания Definiens специализируется на разработке алгоритмов анализа изображений с использованием своей патентованной технологии Definiens Cognition Network Technology. Эта технология реализует объектно-ориентированную методику распознавания изображений, во многом имитирующую человеческое восприятие. Эта технология эффективна в анализе любых изображений: черно-белых и цветных, качественных и зашумленных, простых, как детский рисунок, и сложных, как космический снимок (рис. 5).


Рис. 5.
Выделение зданий по космоснимку в программной среде Definiens.

Definiens Cognition Network Technology может анализировать панхроматические, многозональные, радарные снимки, а также и любые другие источники данных в растровой (ЦМР, лидарные изображения) и векторной форме (карты землепользования, административного деления и т.д.). В одном проекте могут сочетаться изображения любого разрешения и охвата. В отличие от традиционных алгоритмов, могут параллельно учитываться разные признаки в разных источниках данных, и даже более того – для каждого источника данных может строиться собственное пространство признаков, оптимизированное для этого источника. Полученные в итоге объекты можно экспортировать в векторный формат для передачи в ГИС, при этом они могут сопровождаться атрибутами, описывающими свойства объектов, которые могут использоваться для пространственного анализа уже в самой ГИС.

Программный комплекс Definiens содержит ряд отдельных настольных и серверных продуктов, вместе формирующих общий многофункциональный программный пакет. Настольными приложениями являются Definiens Developer – инструмент для разработки и применения правил объектно-ориентированного анализа изображений, и Definiens Architect – продукт, позволяющий пользователям, не являющимися экспертами в дешифрировании ДДЗ, выбирать готовые наборы правил (решения) и запускать их на локальном компьютере или на сервере. Особо выделяются серверные продукты Definiens, благодаря которым он имеет некоторое преимущество над описанными ранее модулями, это eCognitionServer – серверный программный продукт, предоставляющий вычислительную среду для обработки заданий, полученных от локальных машин, и Definiens Data Management – программное решение корпоративного уровня, предназначенное для хранения больших объемов данных, прежде всего исходных изображений и результатов анализа, полученных с помощью продуктов Definiens.

Заключение

Существующие на рынке геоинформационных технологий современные решения по автоматизированному дешифрированию ДДЗ и подготовке геопространственных данных для геоинформационного картографирования, как правило, используют алгоритмы высокой степени автоматизации, основанные на объектно-ориентированном подходе при выполнении классификации. В данной статье рассматривались наиболее интересные на данный момент решения, представленные на рынке. Однако не следует сбрасывать со счетов таких важных игроков как, например, ITT с линейкой продуктов ENVI и новым модулем для автоматизированной классификации – ENVI Fx 4,5, который был выпущен уже после Imagine Objective. Особняком стоит программный продукт для обработки специфического типа информации, не завоевавший в силу определённых причин популярности в России – Lidar Analyst, который представляет уникальное решение, не имеющее аналогов в среде ГИС.

Все представленные решения дают очень неплохие результаты по части дешифрирования космических снимков в видимом диапазоне спектра с высоким и сверхвысоким пространственным разрешением. Также эти классификаторы успешно справляются с задачами тематического картографирования в средних масштабах, по данным съёмочных систем.

Современный эксперт в области дешифрирования космических снимков имеет возможность выбирать себе подходящее программное решение в зависимости от того, в какой ГИС он будет создавать карты на основе полученного материала, а также от системы обработки ДДЗ, в которой он выполняет предварительную подготовку данных и анализирует результаты дешифрирования, выполненного модулем, от объёма задач (предусматривающих несложную классификацию единичных растров или потоковую обработку терабайтов информации), и многих других факторов. В некоторых случаях модули автоматизированной классификации позволяют существенно сократить трудовые затраты на производство картографической продукции, внедрив в процесс компьютерное дешифрирование космических снимков.

Всю необходимую информацию о программных продуктах VLS (Feature Analyst, Lidar Analyst), IMAGINE Objective и Definiens Вы сможете получить у специалистов компании ДАТА+, Москва.

Литература

1. O’Brien, Michael. Feature Extraction with the VLS Feature Analyst System, ASPRS International Conference, 2003.

2. Redmond, Roland; Winne, J. Chris. Classifying & Mapping Wildlife Severity, Imaging Notes Magazine, Oct. 2001.

3. Vanderzanden, Dave; Morrison, Mike. High Resolution Image Classification: A Forest Service Test of Visual Learning Systems’ Feature Analyst. USDA Forest Service. Web: http://vls-inc.com/feature_analyst/publications/reviews/forest_service.pdf