JP5481140B2 - スペクトル解析装置 - Google Patents

Description

本発明は、所定の物体の物理的特性を解析するためのスペクトルデータを解析する技術に関する。

衛星画像が広域かつ反復的に撮影できる特徴を生かし、衛星画像から植生領域を抽出し、モニタリングすることが行われてきた。植生は森林や畑領域だけでなく、都市域にも存在しており、定量的な緑覆率の算出が求められている。特に、詳細な植生領域の抽出は、都市域の緑覆率把握、防災、環境等といった観点から重要である。

衛星や航空機に搭載される多バンドセンサで撮影すると、植生の特徴である赤領域におけるクロロフィル吸収を利用して、植生の領域を抽出することができる。従来の衛星センサは、可視から近赤外域にかけて４バンドの波長帯を有することが多く、この４バンドの波長に該当する赤領域と近赤外領域の反射率の差を利用していた。例えば、赤と近赤外の２バンドを利用する、簡便なＮＤＶＩ（『森林リモートセンシング、加藤正人著、（株）日本林業調査会発行、２００４年』参照）と呼ばれる指標がよく利用されている。また他の手法として、複数のバンドを利用して、例えば土地被覆分類を作ることで植生領域を抽出する場合もある。

今後、新たにバンド数の多い衛星が打ちあがることもあり、より多くのバンド（情報）が利用できるようになってきた。これまでも、航空機等に搭載されるハイパースペクトルセンサ（超多バンドセンサ）は、同様に多くのバンドを持ち、詳細なスペクトル情報を取得してきた。図５を参照してハイパースペクトルセンサとマルチセンサのバンド構成を説明する。従来の衛星画像はマルチスペクトルと呼ばれる波長幅の広い４バンドで構成されている。それに対し、ハイパースペクトルセンサは波長幅の狭い、２０バンド以上のバンドで構成されている。ハイパースペクトルセンサで撮られた画像から植生領域を抽出する場合、上記ＮＤＶＩのように２バンドを利用した植生指標や、全バンドを利用して植生を分類する手法が利用されてきた。なお、今後打ち上げられる衛星には、図５のスーパースペクトルセンサ、またはこれに近いバンド幅、バンド数のセンサである。

（『森林リモートセンシング、加藤正人著、（株）日本林業調査会発行、２００４年』

ＮＤＶＩのように従来の植生指標は２バンドの差分値のみに着目しており、特に人工物（建物の屋根）を誤認識することがよくあった。また、土地被覆分類図を作成して植生領域を抽出する場合、各処理対象画像に対して教師データを与える必要があり、大量の画像を処理することができない。

また、ハイパースペクトルセンサのデータを利用する場合、特徴的なバンドを選択することが難しく、またバンドに対する波長幅が狭いため、特定のバンドが対象物体の特性変化を表現することができなかった。

そこで、本発明は、前記問題に鑑みてなされたものであり、対象とする領域をスペクトル画像から精度よく、かつ簡便に抽出することを課題とする。

本発明は、ＲＥ波長域よりも短波長の波長域からＲＥ波長域にかけてのスペクトル変化分（反射率を検出する場合は、下に凸のスペクトル）を検出するか、あるいは／及び、ＲＥ波長域からＲＥ波長域よりも長波長の波長域にかけてのスペクトル変化分（反射率を検出する場合は、上昇するスペクトル）を検出し、植生領域を解析するものである。換言すれば、RE波長域を含む、少なくとも３つの波長域のスペクトルを検出して，植生領域を解析するものである。

実際には、R,RE,NIRの波長域，または／及びY,R,REの波長域の組み合わせのスペクトルを検出すると、精度良く検出できる。

このように、従来用いられることのなかった、RE波長域のスペクトルを用いることで、後に述べるように、植生領域の検出を、エラーが少ない状態で行える。

本発明によれば、対象領域を高精度かつ簡便に抽出できる。また、従来の植生指標であるＮＤＶＩ等に比較して、誤差が少なく植生などの対象領域を抽出可能である。さらに、植生の活性度を抽出できる。

本実施形態のスペクトル画像解析装置の機能構成図である。 本実施形態のスペクトル画像解析装置の物理構成図である。 本実施形態における処理フローを示す図である。 代表的な植生スペクトルの図である。 代表的なスペクトルセンサの波長幅および波長位置を示した図である。 本実施形態におけるカモフラージュされた物体を抽出する図の説明図である。 本実施形態におけるカモフラージュされた物体の抽出処理フローを示す図である。 本実施形態において、地図更新を行う説明図である。 本実施形態において、差分作成部を追加した、スペクトル画像解析装置１０１の機能構成図である。 本実施形態において、地図更新を行う処理のフロー図である。 代表的な植生のコニファーと緑色のペンキのスペクトルを示した図である。 本実施形態において、植生の生育状態を抽出する図である。

以下、本発明を実施するための最良の形態（以下、「実施形態」という。）について、図面を参照（言及図以外の図面も適宜参照）しながら詳細に説明する。なお、本実施形態において、各蓄積部はハードディスクや計算機上のメモリによって実現される。その代案として、ネットワーク上のハードディスクを用いてもよい。また、各処理部は、コンピュータにおいてプログラムを読み込むことで実行される。その代案として、ハードウェアとソフトウェアの協調によってなされるものであってもよい。

図１、図２、および図４を参照して、本実施形態のスペクトル画像解析装置の構成について説明する。図１は、本実施形態のスペクトル画像解析装置１０１の機能構成図である。図２は、本実施形態のスペクトル画像解析装置１０１の物理構成図である。図４は代表的な植生のスペクトル図である。

図１に示すように、スペクトル画像解析装置１０１は、処理部としての波長データ抽出部１０４、植生指標演算部１０５、スペクトル画像解析部１０６、画像表示部１０８と、記憶部（蓄積部）としてのデータ蓄積部１０１、演算結果蓄積部１０２とを備えて構成される。

データ蓄積部１０２は、対象とする画像を蓄積（記憶）する。対象画像は、多バンドセンサで撮影された画像であり、また位置情報が付属されている。対象画像は衛星画像に限らず、航空画像、ヘリコプター画像、無人偵察機画像等でもよい。また、画像だけでなく、地上観測等で得られるスペクトルデータでもよい。また，スペクトルデータとは，反射率だけでなく，放射率，吸光度，放射照度，輝度等も含む。さらに放射率は，反射率＋放射率＝１の関係からも導くことができる。

波長データ抽出部１０４は、データ蓄積部１０２の画像から、所望の波長帯に相当するバンドデータを抽出する。後記の植生指標演算部で使用する、少なくとも３バンドのデータを抽出する。ここで、所望の波長と近似した波長帯のデータを抽出してもよいし、複数の波長帯を積分し、所望の波長データとして積分値を用いてもよい。

ＰＮＶＩ演算部１０５は、物体の物理的スペクトル特性（以下，スペクトル特性と記す）に着目して、例えば植生指標を演算する。以下では植生を例にとって説明する。まず、植生のスペクトル特性について、図４を使って説明する。図４の横軸は波長、縦軸は反射率である。バンド名４０１は、対応する代表波長の名前を表し、スペクトル４０２、４０３は代表的な植生のスペクトル（反射特性）を示している。植生スペクトルの形状から、Ｒ波長域でスペクトルが下に凸となり、ＲからＲＥ、ＮＩＲにかけてスペクトルが上昇する傾向がわかる。これは、Ｒの波長域に存在するクロロフィル吸収特徴のためで、クロロフィルを持つ植物特有の形状である。植物の種類、成長状態によってスペクトルの絶対値および形状は異なるが、スペクトル４０２、４０３を比較しても上記クロロフィル吸収の特徴は変化しないことが分かる。

ここで、３バンドのデータを使用する場合の植生指標をＰａｉｒ−ｗｉｓｅ Ｎｏｒｍａｌｉｚｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ （以下、ＰＮＶＩと記載）と名づけ、以下の式により計算する。ＰＮＶＩは使用する波長帯によって、例えば以下の式で表現する。

ただし、（ＮＩＲ−ＲＥ）＜０または（ＲＥ−Ｒ）＜０の時、ＰＮＶＩ１はマイナス符号を付ける。
また，以下の式でも表現できる。

ただし、（Ｙ−ＲＥ）＜０または（ＲＥ−Ｒ）＜０の時、ＰＮＶＩ２はマイナス符号を付ける。
ここで、ＮＩＲは近赤外波長のバンド、ＲＥはレッドエッジと呼ばれる７３０ｎｍ付近のバンド、Ｒは赤領域の６６０ｎｍ付近のバンド、Ｙは黄色領域の６１５ｎｍ付近のバンドを示す。なお、図４に示した通り、ＮＩＲはＮＩＲ１，ＮＩＲ２の２バンドあるが、いずれを用いても良い。ここで、図４の主要バンド領域は、CBが400-450nm、Bが450-520ｎｍ、Gが520-600ｎｍ、Yが580-650ｎｍ、Rが630-690ｎｍ、REが710-750ｎｍ、NIR1が760-900ｎｍ、NIR2が860-1050ｎｍである。

ＰＮＶＩ１は植生に特徴的なクロロフィル吸収帯に着目し、赤領域の吸収から近赤外領域にかけてスペクトルが立ちあがることを表現している。また、ＰＮＶＩ２は同様にクロロフィル吸収帯に着目し、黄色とレッドエッジ領域に挟まれた赤領域で、スペクトルが下に凸の特徴を持つことを表現している。

従来のＮＤＶＩ等の植生指標では、緑色の屋根を植生として誤分類することがよくあったが、ＰＮＶＩでは緑色の屋根を植生以外として区別できる。これについて図１１を用いて説明する。

図１１は、代表的な植生であるコニファーと、緑色のペンキのスペクトルを示している。通常のＮＤＶＩはＲとＮＩＲの差分をとるため、コニファーと緑色ペンキはどちらも高い値を示す。それに対し、例えばＰＮＶＩ１では、コニファーのスペクトルがＲよりＲＥが高く、ＲＥよりＮＩＲが高いため、高い値を示す。緑色ペンキは、ＲよりＲＥが低く、ＲＥよりＮＩＲが高いため、マイナスの値を示す。そのため、ＮＤＶＩでは区別し難い緑色の屋根を、ＰＮＶＩを使うことで植生と区別することが容易となる。

上記では、ＰＮＶＩ１またはＰＮＶＩ２をそれぞれ単独で使用する場合を説明した。ただし、植生指標に使用する波長帯はこれに限らない。また、３バンドだけでなく、４バンドまたはそれ以上でもよい。また、ＰＮＶＩ１とＰＮＶＩ２両方を使用して、更に精度を高めても良い。

演算結果蓄積部１０３は、植生指標演算部１０５で算出された植生指標結果を蓄積する。

対象領域抽出部１０６は、植生指標演算部１０５で算出された多値の植生指標算出値から、所望の閾値を設定して植生領域とそれ以外の領域を分けることで、植生領域を抽出する。設定する閾値は手動により任意に定めてもよいし、画像内の情報を利用して、自動的に設定してもよい。抽出した植生領域とそれ以外の領域は２値化し、２値化画像として演算結果蓄積部１０３に格納する。

画像重ね合わせ部１０７は、対象領域抽出部１０６で作成された植生の２値化画像と、データ蓄積部１０２に格納されている原画像を重ね合わせ、植生領域を強調する。植生領域部分のみ赤色で塗り、植生領域をわかりやすくする。

画像表示部１０８は、画像重ね合わせ部１０７で作成した重ね合わせ画像を表示する。また、データ蓄積部１０２から読み出した原画像を並べて表示し、植生領域を確認し易くする。さらに、画像の拡大、縮小などを並べた画像同士で連動させ、視認し易くする。

なお、上記は、スペクトル特性として、反射率に基づいて記載したが、放射率を検出して演算しても良い。

次に、スペクトル画像解析装置１０１の物理構成について説明する。図２に示すように、スペクトル画像解析装置１０１は、ディスプレイ２０１、プリンタ２０２、演算部２０３、メモリ２０４、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）２０５、キーボード２０６およびマウス２０７を備えて構成され、それらがバス２０８によって接続されている。

ディスプレイ２０１は、入力された画像等のデータを表示する。

プリンタ２０２は、入力されたデータを印刷機等へ出力する。

演算部２０３は、各種の処理エンジン２０３１を有し、処理命令が入力されると対応するエンジンソフトをメモリ２０４から読み出し、また、必要があればＨＤＤ２０５から蓄積されているデータを読み出して所定の演算を行う。また、計算結果をメモリ２０４に出力する。

メモリ２０４は、処理エンジン管理部２０４１、演算情報管理部２０４２および設定条件管理部２０４３を有する。処理エンジン管理部２０４１は、演算部２０３での計算に使用する各エンジンのソフトを管理する。演算情報管理部２０４２は、演算部２０３で計算された植生指標情報を管理する。設定条件管理部２０４３は、キーボード２０６やマウス２０７から入力された条件を保存し、管理する。

ＨＤＤ２０５は、データ蓄積部１０２、演算結果蓄積部１０３を有し、それぞれが該当データを格納している。各データはＩＤ番号「１３０５」のようにＩＤで管理されており、効率的にデータにアクセスすることができる。ＨＤＤ２０５に対してデータの読み出し命令が入力されると、対象データがアクセスされ読み出される。なお、ＨＤＤ２０５はネットワーク上に設置されていてもよい。スペクトル画像解析装置１０１はネットワークインターフェイスを備え，HDD２０５など各構成はネットワーク上に設置されてもよい。

キーボード２０６及びマウス２０７は、各種設定条件を入力するユーザによる操作のための手段である。

図３は、本実施形態における処理フローを示す図である。

ステップ３０１で、処理対象の画像入力を受け付け、データ蓄積部１０２に画像データを蓄積する。

ステップ３０２で、ＰＮＶＩ演算部１０５は、波長データ抽出部１０４から抽出された所望のバンドデータを用いて、画素毎にＰＮＶＩを算出する。算出した結果は演算結果蓄積部１０３に格納する。ここで、対象としている画像は，２m×２mの画素サイズであるが，これに限らず1m〜1kmサイズの画素でも対応可能である。

ステップ３０３で、ユーザはキーボード２０６から閾値を入力し、対象領域抽出部１０６は、入力された閾値を受けつける。閾値の入力はマウス２０７から入力してもよい。

ステップ３０４で、対象領域抽出部１０６は、演算結果蓄積部１０３に格納されているＰＮＶＩ算出結果画像を２値化する。

ステップ３０５で、画像重ね合わせ部１０７でＰＮＶＩ算出結果画像と元画像の重ね合わせ画像を作成し、画像表示部１０８でディスプレイ２０１に表示する。

次に、図６、図７を参照して、スペクトル画像解析作成装置の利用例として、カモフラージュされた物体を抽出する例について説明する。

図６は、カモフラージュされた物体が撮影されている画像から、カモフラージュされた物体を抽出する例である。スペクトル画像６０１には、人工物６０１１とカモフラージュされた人工物６０１２、植生６０１３、道路６０１４が撮影されている。ステップ７０１で入力された画像は、画像表示部１０８でディスプレイ２０１に表示される。カモフラージュされた人工物６０１２は、植生６０１３と同様の色で表現されており、通常のＲＧＢ画像では区別がつかない。ステップ７０２で、このスペクトル画像６０１に対し、ＰＮＶＩ演算部１０５により算出した結果がＰＮＶＩ画像６０２である。ステップ７０３で、画像表示部１０８により表示されたＰＮＶＩ６０２画像では、植生と植生以外が区別して表現される。人工物６０２１とカモフラージュされた人工物６０２２、道路６０２４が植生以外と表現され、植生６０２３は植生として抽出される。ステップ７０４にて、表示されたスペクトル画像６０１とＰＮＶＩ画像６０２を比較すると、スペクトル画像６０１では植生と同様の色で表現されていた領域６０１２が、ＰＮＶＩ画像６０２では、植生以外の領域６０２２として表現されている。この違いから、比較結果画像６０３では、カモフラージュされた物体６０３２として認識できる。

次に、図８、図９、図１０を参照して、スペクトル画像解析作成装置の利用例として、地図更新を行う例について説明する。

図８は時系列のスペクトル画像から、建物の建て替えを抽出する例である。スペクトル画像８０１とスペクトル画像８０２は同一地域を異なる時間で撮影した画像であり、あらかじめ位置合わせ等の処理が済んでいる画像である。ＰＮＶＩ画像８０３はスペクトル画像８０１の画像から算出したＰＮＶＩ結果画像、ＰＮＶＩ画像８０４はスペクトル画像８０２の画像から算出した結果画像である。

図９は、スペクトル画像解析装置１０１に差分画像作成部９０１を追加した装置図である。また、図１０は、地図更新を行う処理ステップである。

ステップ１００１で時系列画像が入力されると、データ蓄積部１０２に格納される。

ステップ１００２で、ＰＮＶＩ演算部１０５によって対応するスペクトル画像の画素毎にＰＮＶＩが算出される。算出した画像はＰＮＶＩ画像８０３、８０４で示される。ステップ１００３では、差分画像作成部９０１で、算出されたＰＮＶＩ画像８０３、８０４の差画像８０５が作成される。ここで、ＰＮＶＩ画像８０３、８０４は対象領域抽出部１０６によって２値化画像となっているため、単純な引き算処理によって、差画像８０５を作成することができる。また、対象領域抽出部１０６の２値化処理を行わず、多値画像のまま差分画像を作成してもよい。その場合は、ＰＮＶＩ値が比較的低い領域を、あいまいな植生領域として表現できる。

ステップ１００４では、作成した差画像８０５を表示する。ＰＮＶＩ画像８０３では植生領域以外であった領域８０４１、８０４２は、ＰＮＶＩ画像８０４では植生として表現されており、建物が取り壊され植生領域になったことがわかる。差画像８０５では、建物から植生への変化領域８０５１、８０５２として図示される。また、植生領域に建物等が建設された場合でも、同様の処理により抽出することができる。

次に、図１２を参照して、スペクトル画像解析作成装置の利用例として、植生の生育状態を抽出する例について説明する。

図１２は、農場における生育状態の異なる圃場の例である。スペクトル画像１２０１には、生育状態が良い圃場１２０３と、生育状態が普通の圃場１２０４と、生育状態が不良の１２０５が撮影されている。通常のＲＧＢ画像で表示すると、全ての圃場は同様の色で表現される。このスペクトル画像１２０１に対して、ＰＮＶＩ演算部１０５でＰＮＶＩ画像１２０２を算出すると、生育状態に対応したＰＮＶＩ値が算出される。圃場１２０６はＰＮＶＩ値が高く、圃場１２０７はＰＮＶＩ値が平均的値、圃場１２０８ではＰＮＶＩ値が低くなる。これは、図４を参照して説明すると、植物の生育状態（活性状態）は、ＲＥの位置およびＮＩＲの反射の高さ、Ｒの吸収の深さで表される。生育状態が良いと、ＮＩＲの値が高くなり、Ｒが低くなり、また生育段階によってはＲＥが低くなる。逆に生育状態が不良になると、ＮＩＲの値が低くなり、Ｒの値が高くなり、ＲＥが高くなる。これらの傾向は、ＰＮＶＩの式で表現でき、ＰＮＶＩ値が高いと、すなわち生育状態が良いことを示す。このように、ＰＮＶＩを利用することで、植物の領域のみならず、植物の生育状態を抽出することが可能となる。

以上で本実施形態の説明を終えるが、本発明の態様はこれらに限定されるものではない。

例えば、ＰＮＶＩは植生の特徴を利用したバンドの組み合わせを定式化しているが、植生に限らず、例えば地質、水質、人工物等の特徴を鑑みて、所望の波長を利用することで、対象物体を拡大させることができる。また、ＰＮＶＩの式は一例であって、スペクトル特徴を抽出する３バンド以上の組み合わせを、例えば直線近似、２次微分などの式で表してもよい。例えば，以下の式で表現できる。

ここで，ρは定数である。
さらに、ハイパースペクトルセンサのように波長幅が狭く、スペクトル形状の微小な差を１バンドでは検知できない場合、複数のバンドを積分する，平均値を取る，などの組み合わせによって疑似的に波長幅の広いデータを作成することで、同様にＰＮＶＩを適用することができる。また、スペクトル形状の微小な差を必要としない場合は、適当なバンドの組み合わせを用いてもよい。

また応用例として、例えば植生と建物を区別する場合を例にとったが、これに限らず土壌、水域、道路等の区別に利用してもよい。

その他、ハードウェア、プログラム等の具体的な構成について、本発明の主旨を逸脱しない範囲で適宜変更が可能である。

１０１…スペクトル画像解析装置、１０２…データ蓄積部、１０３…演算結果蓄積部、１０４…波長データ抽出部、１０５…ＰＮＶＩ演算部、１０６…対象領域抽出部、１０７…画像重ね合わせ部、１０８…画像表示部、２０１…ディスプレイ、２０２…プリンタ、２０３…演算部、２０４…メモリ、２０５…ＨＤＤ、２０６…キーボード、２０７…マウス、４０１…バンド名、４０２…植生スペクトル１、４０３…植生スペクトル２、６０１…スペクトル画像、６０２…ＰＮＶＩ算出結果図、６０３…比較結果画像、８０１…スペクトル画像１、８０２…スペクトル画像２、８０３…ＰＮＶＩ算出結果図１、８０４…ＰＮＶＩ算出結果図２、８０５…差画像、９０１…差分画像作成部、１２０１…スペクトル画像、１２０２…ＰＮＶＩ算出結果図

Claims (7)

1. 解析対象画像を記憶するデータ蓄積部と、
   前記解析対象画像から、所定の波長域に相当するバンドデータを抽出する波長データ抽出部と、
   前記抽出されたバンドデータから、植生領域を演算するための演算部とを有し、
   前記演算部は、RE波長域、R波長域、NIR波長域を含む少なくとも３つの波長域のスペクトルに基づいて演算を実行し、
   前記演算部は、
   （但し、NIRは近赤外波長のバンドのスペクトル、REはレッドエッジ波長のバンドのスペクトル、Rは赤領域波長のバンドのスペクトルを示す）
   を演算することを特徴とすることを特徴とするスペクトル画像解析装置。
2. 前記演算部は、前記R波長域から前記RE波長域及び前記NIR波長域にかけて、上昇する反射率のスペクトルを用いて演算することを特徴とする請求項１記載のスペクトル画像解析装置。
3. 解析対象画像を記憶するデータ蓄積部と、
   前記解析対象画像から、所定の波長域に相当するバンドデータを抽出する波長データ抽出部と、
   前記抽出されたバンドデータから、植生領域を演算するための演算部とを有し、
   前記演算部は、RE波長域、Y波長域、R波長域を含む少なくとも３つの波長域のスペクトルに基づいて演算を実行し、
   前記演算部は、
   （但し、Yは黄色波長のバンドのスペクトル、Rは赤領域波長のバンドのスペクトル、REはレッドエッジ波長のバンドのスペクトルを示す）
   を演算することを特徴とするスペクトル画像解析装置。
4. 前記演算部は、前記Y波長域から前記R波長域及び前記RE波長域にかけて、下に凸の反射率のスペクトルを用いて演算することを特徴とする請求項３記載のスペクトル画像解析装置。
5. 前記演算部は、更に、前記植生領域と植生以外の人工物とを区別し、植生領域を抽出する手段を有することを特徴とする請求項１または３に記載のスペクトル画像解析装置。
6. 更に、データ蓄積部と画像表示部を有し、
   前記データ蓄積部は、同一地域を異なる時間で撮影した画像を蓄積しており、
   前記演算部は、更に、前記異なる時間で撮影した画像同士の前記植生領域の差分を演算し、
   前記画像表示部は、前記差分の画像を表示することを特徴とする請求項１または３記載のスペクトル画像解析装置。
7. 更に、データ蓄積部と画像表示部を有し、
   前記データ蓄積部は、同一地域を異なる時間で撮影した画像を蓄積しており、
   前記演算部での演算結果に基づいて、前記画像表示部に、前記植生の生育状態を表示させることを特徴とする請求項１または３記載のスペクトル画像解析装置。