RU2693880C1 - Способ идентификации растительных объектов по космическим снимкам дистанционного зондирования - Google Patents
Способ идентификации растительных объектов по космическим снимкам дистанционного зондирования Download PDFInfo
- Publication number
- RU2693880C1 RU2693880C1 RU2018139174A RU2018139174A RU2693880C1 RU 2693880 C1 RU2693880 C1 RU 2693880C1 RU 2018139174 A RU2018139174 A RU 2018139174A RU 2018139174 A RU2018139174 A RU 2018139174A RU 2693880 C1 RU2693880 C1 RU 2693880C1
- Authority
- RU
- Russia
- Prior art keywords
- values
- objects
- standards
- fuzzy
- sets
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012907 on board imaging Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 49
- 238000012545 processing Methods 0.000 description 18
- 241000196324 Embryophyta Species 0.000 description 17
- 238000001228 spectrum Methods 0.000 description 11
- 241000219051 Fagopyrum Species 0.000 description 8
- 235000009419 Fagopyrum esculentum Nutrition 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010561 standard procedure Methods 0.000 description 3
- 240000005979 Hordeum vulgare Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- 240000004713 Pisum sativum Species 0.000 description 2
- 235000010582 Pisum sativum Nutrition 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000215338 unidentified plant Species 0.000 description 2
- 235000007319 Avena orientalis Nutrition 0.000 description 1
- 244000075850 Avena orientalis Species 0.000 description 1
- 241000209056 Secale Species 0.000 description 1
- 235000007238 Secale cereale Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Изобретение относится к области дистанционного зондирования Земли и касается способа идентификации растительных объектов по космическим снимкам дистанционного зондирования. Способ включает в себя наземные измерения на тестовых полигонах, одновременную космическую съемку тестовых полигонов и формирование библиотеки эталонов - наборов признаков, описывающих определенный класс объектов. Для идентификации изображений используется методика «голосование по набору признаков». При этом строится решающая функция, которая по конкретному вектору признаков ставит в соответствие номер класса, которому он принадлежит. Каждая дискретная составляющая пикселя изображения сравнивается с набором эталонных значений границ отрезков для всех индексных величин и делается заключение о выполнении или невыполнении условий по каждому признаку. Библиотеку эталонов формируют по снимкам тестовых полигонов с определенным типом растительности, по которым рассчитываются эталонные значения дешифровочных признаков, значения которых представляет собой нечеткое множество. При этом строятся функции значений нормализованных дифференцированных индексов NDVI, представленных нечеткими множествами. Технический результат заключается в повышении достоверности идентификации растительных объектов. 4 ил., 2 табл.
Description
Изобретение относится к способам тематической обработки данных дистанционного зондирования земной поверхности в оптическом и ближнем инфракрасном диапазоне длин волн и может быть использовано для решения задач многоцелевой тематической обработки космической информации с использованием системы наземного контроля (наземных наблюдений) растительности на тестовых полигонах (участках).
Из уровня техники известны способы тематической обработки данных, например способ распознавания образов природно-техногенных объектов и оценки параметров их состояния по гиперспектральным данным аэрокосмического зондирования (см. RU2422858, опубл. 27.06.2011) (1), включающий прием и регистрацию на магнитном носителе цифровых гиперспектральных данных аэрокосмического зондирования. Полученные данные обрабатывают путем проведения их географической привязки. Учитывают геометрические, радиометрические и спектральные искажения данных. Производят поиск конкретного спектрального канала максимальной различимости классов по гистограммам яркости наблюдаемых объектов. Находят максимальное число различимых классов в этом спектральном канале. Идентифицируют элементы разрешения, соответствующие среднему (эталонному) спектру. Причем идентифицируют элементы для каждого выделенного таким образом класса и введенной информационной меры изменчивости этого спектра. При идентификации учитывают возможную корреляцию каналов. Производят построение автоматизированного классификатора на основе выборочных данных. Автоматизировано относят все текущие элементы разрешения к тем или иным классам в соответствии с общим набором эталонных спектров и информационных мер изменчивости этих спектров. Восстанавливают параметры, характеризующие состояние объектов класса растительность для каждого элемента разрешения таких объектов.
Недостатком вышеуказанного аналога (1) является его недостаточная точность.
Наиболее близким аналогом заявленного изобретения является метод космической идентификации растительных объектов (см. JP2012196167, опубл. 18.10.2012) (2), в котором график интенсивности спектра пикселей изображения, в котором присутствует целевой вид растений, получен путем съемки изображений гиперспектра за один сезон, и множество (например, четырех) индексов получают путем арифметической обработки множества (например, пяти) значений каждый из которых указывает местный максимум или местный минимум, используя их, появляясь в определенной полосе длин волн, общей для каждого вида растений на графике. Сгенерирована БД из группы индексов их видов растений, кроме того, также создается группа индексов спецификации видов растений в другом сезоне неизвестного растения и создается его БД. Индексирующая группа спецификаций видов растений одного сезона неизвестного растения получена и сравнивается с группой индексов спецификации видов растений внутри БД. В соответствии с соответствующей индексной группой спецификации видов растений указаны виды растений, а когда нет определенной группы индексов спецификаций растительных видов, индексная группа спецификации видов растений в другом сезоне и БД в том же сезоне сравниваются с указанием растения виды.
Недостатком наиболее близкого аналога (2) является недостаточная достоверность идентификации растительных объектов.
Техническим результатом заявленного изобретения является повышение достоверности идентификации растительных объектов.
Заявленный технический результат достигается за счет создания способа идентификации растительных объектов по космическим снимкам дистанционного зондирования, включающего наземные наблюдения и измерения на выделенных участках на тестовых полигонах с произрастанием интересующих типов растительности, и одновременную космическую съёмку территории тестовых полигонов, с использованием бортовой съёмочной аппаратуры высокого разрешения в оптическом и ближнем инфракрасном диапазоне длин волн, формируют библиотеку эталонов – наборов признаков, описывающих определенный класс объектов, при формировании библиотеки эталонов каждому признаку в наборе соответствует весовой коэффициент, весовые коэффициенты для каждого признака меняются в зависимости от класса задач, для идентификации изображений используется методика «голосование по набору признаков» при этом строится решающая функция, которая по конкретному вектору признаков ставит в соответствие номер класса, которому он принадлежит, каждая дискретная составляющая пикселя изображения сравнивается с набором эталонных значений границ отрезков для всех индексных величин и делается заключение о выполнении/невыполнении условий по каждому признаку, пиксель считается принадлежащим искомому объекту, если количество признаков, по которым сделано заключение о выполнении требуемых условий, превышает минимальное заданное значение.
Заявленное изобретение проиллюстрировано следующими фигурами:
фиг.1 – фрагмент снимка с космического аппарата «Ресурс-П»;
фиг.2 – гистограммы спектральных характеристик объекта «Гречиха»;
фиг.3 – гистограммы распределения множества значений индексов NDVI и NGRDI;
фиг.4 – результаты тематической обработки информации о растительности участка территории Болховского района Орловской области.
Сущность заявленного способа идентификации растительных объектов по космическим снимкам дистанционного зондирования заключается в следующем. Характерным признаком растительности и ее состояния является спектральная отражательная способность, характеризующаяся большими различиями в отражении излучения разных длин волн. Знания о связи структуры и состояния растительности с ее отражательными способностями позволяют использовать космические снимки для идентификации типов растительности и оценки их состояния.
Наиболее известные зарубежные специализированные пакеты для тематической обработки данных дистанционного зондирования, в том числе для идентификации объектов, – ENVI, ERDAS Imagine (с расширениями). В состав пакетов входят программные средства идентификации объектов с использованием эталонов, которые представляют собой наборов признаков, описывающих определенный класс изображений объектов для данного вида съёмочной аппаратуры, а также стандартные процедуры статистической обработки данных, такие, как минимума дистанции, Махаланобиса, спектрального угла и др. Для представления дешифровочных признаков объектов используются нормализованные дифференцированные индексы (NDVI). Статистическая обработка анализируемой выборки и эталонных дешифровочных признаков стандартными методами проводится в предположении о нормальном распределении элементов множеств. Как следствие – множество с достаточной точностью можно охарактеризовать двумя величинами: математическим ожиданием и дисперсией.
Реальное распределение спектральных характеристик эталонов и исследуемых объектов может отличаться от нормального.
В предлагаемом способе обработки данных распределение спектральных характеристик дешифровочных признаков объекта идентификации представляется набором дискретных величин в виде нечетких множеств. Эталонным признаком для этого метода является некоторая функция от нечётких множеств значений спектральных характеристик изображений объекта в различных диапазонах спектра. Гистограммы спектральных значений пикселей изображений анализируемых и эталонных объектов могут отличаться от нормального закона распределения. Применение способа тематической обработки данных, отличающихся от нормального закона распределения спектральных характеристик изображений объектов, приводит к повышению достоверности идентификации объектов.
Сущность способа идентификации: на территории со схожими почвенно-климатическими условиями (размером до 1 тыс. километров) организуются наземные наблюдения и измерения на выделенных участках (тестовых полигонах) с произрастанием интересующих типов растительности (не менее трех раз за вегетационный период). Типами растительности могут являться, например, пшеница в различные вегетационные периоды, рожь, ячмень, горох и т.д. В этот же период производится космическая съёмка территории, включающей тестовые полигоны, с использованием бортовой съёмочной аппаратурой высокого разрешения в оптическом и ближнем инфракрасном диапазоне длин волн (например, приборами ГСА, КШМСА-ВР, Геотон-Л1 КА «Ресурс-П»).
По полученным снимкам тестовых полигонов с определенным типом растительности (с радиометрической коррекцией, без трансформирования, с коэффициентами RPC-полиномов) рассчитываются эталонные значения дешифровочных признаков. Значения эталонного признака представляет собой нечёткое множество. Для этого множества строится гистограмма, которая для дальнейшего использования аппроксимируется кусочно-линейной функцией. Строятся также функции значений нормализованных дифференцированных индексов (NDVI), которые приведены в различных справочниках, например, в ENVI help. Могут использоваться и разностные индексы, представляющие собой разности значений элементов пикселей в различных спектральных каналах. Индексы представляются нечёткими множествами.
Формируется библиотека эталонов – наборов признаков, описывающих определенный класс объектов. По результатам расчета и анализа эталонных значений дешифровочных признаков оптимизируется количество спектральных каналов для вычисления индексов (в целях сокращения вычислительных процедур). Каждому признаку в наборе соответствует весовой коэффициент. Весовые коэффициенты для каждого признака меняются в зависимости от класса задач. Для дешифрирования изображений используется методика «голосование по набору признаков», которая заключается в следующем. В процессе обработки изображений тестовых объектов для данного вида съёмочной аппаратуры определяются критерии (весовые коэффициенты каждого признака) голосования по набору признаков с учётом нечётких значений признаков. Для решения задачи классификации объектов строится решающая функция, которая по конкретному вектору признаков ставит в соответствие номер класса (типа объекта), которому он принадлежит. Результат проведения голосования представляет собой набор величин:
– нечёткое значение максимального значения функции голосования, то есть само значение и величина его вероятности;
– номер наименования объекта (при величине вероятности максимального значения функции голосования меньше определённого значения объект считается не идентифицированным).
Каждая дискретная составляющая пикселя изображения сравнивается с набором эталонных значений границ отрезков для всех индексных величин и делается заключение о выполнении (невыполнении) условий по каждому признаку. Пиксель считается принадлежащим искомому объекту, если количество признаков, по которым сделано заключение о выполнении требуемых условий, превышает минимальное заданное значение (например, 0,75). Исходные значения границ отрезков для индексных величин рассчитываются, используя неравенство Чебышева. В процессе решения конкретной задачи размеры отрезков индексных величин могут быть изменены для уменьшения вероятности принятия ошибочного решения о принадлежности пикселей, не входящих в изображения объектов (ошибки второго рода).
В качестве примера реализации заявленного способа можно привести следующее.
Апробация способа идентификации растительных объектов проводилась по материалам съёмки тестовых участков Орловской и Брянской областей. Анализ космической информации показывает, что при применении съёмочной аппаратуры высокого разрешения российской группировки КА для большинства природных объектов закон распределения случайных значений спектральных признаков существенно отличается от нормального закона (фиг. 1). Фрагмент космического изображения с КА Ресурс- П № 2; аппаратура Геотон Л1 июнь 2015 года. На изображении канала 0.72-0.80 красной точкой отмечен пункт наземного наблюдения. Верхнюю часть снимка занимает изображение объекта «Гречиха», а нижнюю часть снимка занимает объект «Травы».
Кроме того, для большинства объектов растительности имеются маскирующие объекты с похожими спектральными характеристиками. Применение стандартных методов статистической обработки таких данных может привести к недопустимым погрешностям получения оценок анализируемых параметров объектов идентификации.
Одним из возможных способов повышения достоверности таких оценок предлагается использование нечётких множеств в тематическом дешифрировании материалов космической съёмки высокого разрешения.
Сформируем нечёткое множество, состоящее из упорядоченных пар Yi={fi(x), p(fi(x)}, где fi(x) — значение характеристической функции (логической), p(fi(x) – степень истинности (вероятность) fi(x).
Для обработки данных множеств применим методику, названную «голосованием по набору признаков». Методика реализуется в два этапа. На первом этапе выделяется, оценивается и записывается в базу данных (БД) совокупность дешифровочных признаков, представленных в виде массивов нечётких множеств.
На втором этапе осуществляется анализ дешифровочных признаков в соответствии с методикой «голосование по набору признаков». Алгоритм анализа основан на оптимизации целевой функции разделения множества объектов на классы тестовых объектов.
Этап 1, в свою очередь, состоит из этапов 1.1 и 1.2. На этапе 1.1 формируются нечеткие множества значений спектральных характеристик объектов, а на этапе 1.2 – нечеткие множества, являющиеся функциями спектральных характеристик.
Для формирования набора дешифровочных признаков объектов должны быть проведены периодические (3 – 4 раза за вегетационный период) наземные наблюдения на тестовых полигонах. В результате должно быть определено географическое расположение и дано геоботаническое описание объектов в данный период вегетации. В этот же период должна быть проведена космическая съёмка объектов тестовых полигонов и оценены спектральные характеристики изображений этих объектов.
Этап 1.1.
Пусть имеются No объектов, которые подлежат идентификации (классификации) с использованием Nk спектральных каналов мультиспектральной или гиперспектральной космической информации (космического снимка). Значение Nk может быть меньше или равно общему числу всех каналов, предусмотренных для данного вида аппаратуры.
Рассмотрим прямоугольный фрагмент изображения объекта с номером n≤No на космическом снимке, состоящего их Ni строк и Nj столбцов в каждом спектральном канале. Обозначим через Рnijk спектральное значение пикселя (по возможности, после атмосферной коррекции) в i-ой строке (i≤Ni), j- столбце (j≤Nj) и k-ом спектральном канале (k≤Nk). Для каждого объекта с номером n получим Nk множеств случайных величин Ωnk (k≤Nk).
Для каждого множества Ωnk определяются минимальное и максимальное значения пикселей в каждом канале, которые обозначим Pminnk и Pmaxnk. Для каждого множества Ωnk построим гистограмму значений пикселей объекта. Последовательность значений пикселей, находящихся на отрезке [Pminnk, Pmaxnk], обозначим через Pntk (Pminnk ≤Pntk≤ Pmaxnk), (1≤t≤( Pmaxnk.- Pminnk.+1). При построении гистограммы множества Ωnk получим количество реализаций NPntk спектра Рnijk для выбранного объекта. Вероятность реализации значений спектра Pntk можно определить как V(Pntk)=NPntk /( Ni*Nj). (1≤t≤( Pmaxnk.- Pminnk.+1); k≤Nk). Для выбранного объекта рассчитываем нечёткую переменную, характеризующую значение спектра Pntk для k-го канала. Совокупность Pntk для (1≤t≤( Pmaxnk.- Pminnk.+1); k≤Nk) можно записать в БД в виде нечёткого множества (Pntk, V(Pntk). Это нечёткое множество представляет собой набор значений, зависящих от спектральных характеристик объектов.
В табл. 1 представлен пример записи в БД спектральных характеристик объекта «Гречиха»
Табл. 1. Запись в БД о спектральных характеристиках объекта «Гречиха»
KDob – код объекта (6 - код гречихи). Col – код цвета, который будет назначен пикселю изображения, идентифицированного как гречиха. В строковом поле БД, который соответствует спектральному каналу № 33 КА Геотон-Л1, записаны 10 отрезков:
через _ записаны начало и конец отрезка;
после $ до ! записана вероятность попадания в данный отрезок (значение умноженное на 100, чтобы оперировать с целыми числами);
между последним ! и # находится величина математического ожидания случайной величины спектра в канале и далее находится величина среднеквадратического отклонения случайной величины спектра в канале.
Этап 1.2.
Формируется нечёткое множество, представляющее собой набор значений, зависящих от функций спектральных характеристик объектов.
Обозначим набором спектральных признаков объекта совокупность функций, аргументами которых являются Рnijk.. Число спектральных признаков обозначим через Npr. Значение спектрального признака c номером m объекта c номером n (PRm) в точке фрагмента изображения с номерами строки и столбца (i,j) имеет вид: PRnijm=fm(Pnij1,. Pnij2, PnijNk); (i≤Ni; j≤Nj; m≤Nm). Получилось множество реализаций спектральных признаков объекта. Вероятность реализации значений спектра PRntk можно определить как V(PRntk)=N PRntk /( Ni*Nj); (1≤t≤( PRmaxnk.- PRminnk.+1); k≤Nk). Для выбранного объекта нечёткую переменную, характеризующую значение реализаций спектральных признаков объекта PRntk для «k» канала, можно записать в виде (PRntk, V(PRntk). Множество реализаций значений спектрального признака c номером m объекта с номером n обозначим через Ωprnm..
Это нечёткое множество представляет собой набор значений, зависящих от функций спектральных характеристик объектов и записывается в БД. Результаты формирования нечетких множеств значений, зависящих от функций спектральных характеристик (NDVI и NGRDI) объекта «Гречиха», приведены на фиг. 2 в виде гистограмм. В табл. 2 представлен пример записи значений, зависящих от функций спектральных характеристик объекта «Гречиха». Структура записи аналогична табл. 1.
Табл. 2. Запись в БД значений, зависящих от функций спектральных характеристик объекта «Гречиха».
После завершения этапа 1 проводится анализ информации о дешифровочных характеристиках объектов и делается заключение о принадлежности рассматриваемых объектов к одному из имеющихся в БД объектов. Этап 2 состоит из этапов 2.1 и 2.2. На этапе 2.1 проводится анализ нечетких множеств значений спектральных характеристик объектов, а на этапе 2.2 – нечетких множеств, являющихся функциями спектральных характеристик.
Этап 2.1.
Пусть pixijk – значение пикселя в точке (i,j) изображения в k-ом спектральном канале. В каждой строке БД содержатся нечёткие значения спектральных характеристик разделённых на «n» отрезков для объекта с индексом m. Для каждого k-го канала определяется попадание pixijk в один из отрезков строки БД, т.е. определяется Vm(pixijk) - вероятность реализации pixijk в k-ом канале для объекта m. Признаком будет являться выполнение выражения (Vm(pixijk) > V1km),
где pixijk – значение пикселя в точке (i,j) изображения в k-ом спектральном канале, Vm(pixijk) – вероятность реализации вектора pixijk в k-ом спектральном канале, V1km некоторая константа, зависящая от номера канала и свойств объекта с индексом m, в канале k.
Если (Vm(pixijk) > V1km) истинно, то для объекта с индексом m признак выполнения условия засчитывается, в противном случае - не засчитывается.
Этап 2.2.
Алгоритм расчёта аналогичен алгоритму этапа 2.1. Основное отличие заключается в том, что вместо pixijk и Vm(pixijk) для каждого канала используется f(pixij1,.., pixijr) - функция некоторых каналов, например, NDVI. Для данного вида съёмочной аппаратуры определяются правила (критерии, весовые коэффициенты каждого признака) голосования по набору признаков с учётом нечётких значений признаков. Признак засчитывается в случае выполнения условия (Vm (f(pixij1,.., pixijr) > V2m), где V2m - некоторая константа, зависящая от функции спектральных характеристик и свойств объекта с индексом m.
Для каждого пикселя изображения проводится процесс голосования путём подсчёта количества засчитанных признаков. Пиксель считается принадлежащим искомому объекту, если количество признаков превышает минимальное заданное значение.
Результат проведения голосования представляет собой набор следующих величин:
нечёткое значение функции голосования и величина вероятности события;
код объекта и код цвета его легенды на карте.
При величине вероятности максимального значения функции голосования меньше определённого значения объект считается не определённым.
Результат обработки представляется в виде набора пикселей, которым присвоены условные цвета объектов.
На фиг.4 представлены результаты тематической обработки фрагмента космического снимка полей Орловской области (КА «Ресурс-П» № 2, прибор Геотон-Л1). На рисунке различными цветами отображены участки с произрастанием различной сельскохозяйственной растительности (горох, овёс, ячмень), вспаханные поля. Белым цветом изображены участки с не идентифицированной растительностью (из-за недостаточности наземных наблюдений для формирования эталонных признаков дешифрации).
Идентификация объектов по данным КА высокого разрешения вызывает необходимость разработки методов обработки информации об объектах со спектральными характеристиками, отличающимися от нормального закона.
Предложена методика тематической обработки данных космического наблюдения, включающая представление дешифровочных признаков нечеткими множествами с произвольным законом распределения спектральных характеристик и способ обработки таких данных - «голосование по набору признаков».
Методика позволяет повысить достоверность результатов тематического дешифрирования информации КА детального и высокого разрешения.
Такой результат достигается за счет представления распределения спектральных характеристик дешифровочных признаков объекта идентификации набором дискретных величин в виде нечетких множеств и применения способа статистической обработки данных, ориентированного на распределение спектральных характеристик объекта, отличающегося от аппроксимации его нормальным законом.
Claims (1)
- Способ идентификации растительных объектов по космическим снимкам дистанционного зондирования, включающий наземные наблюдения и измерения на выделенных участках на тестовых полигонах с произрастанием интересующих типов растительности и одновременную космическую съемку территории тестовых полигонов с использованием бортовой съемочной аппаратуры высокого разрешения в оптическом и ближнем инфракрасном диапазоне длин волн и формирование библиотеки эталонов - наборов признаков, описывающих определенный класс объектов, при формировании библиотеки эталонов каждому признаку в наборе соответствует весовой коэффициент; весовые коэффициенты для каждого признака меняются в зависимости от класса задач; для идентификации изображений используется методика «голосование по набору признаков», при этом строится решающая функция, которая по конкретному вектору признаков ставит в соответствие номер класса, которому он принадлежит, каждая дискретная составляющая пикселя изображения сравнивается с набором эталонных значений границ отрезков для всех индексных величин и делается заключение о выполнении/невыполнении условий по каждому признаку; пиксель считается принадлежащим искомому объекту, если количество признаков, по которым сделано заключение о выполнении требуемых условий, превышает минимальное заданное значение, отличающийся тем, что библиотеку эталонов формируют по полученным снимкам тестовых полигонов с определенным типом растительности, по которым рассчитываются эталонные значения дешифровочных признаков, значения которых представляет собой нечеткое множество; строятся функции значений нормализованных дифференцированных индексов NDVI, представленных нечеткими множествами.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018139174A RU2693880C1 (ru) | 2018-11-07 | 2018-11-07 | Способ идентификации растительных объектов по космическим снимкам дистанционного зондирования |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018139174A RU2693880C1 (ru) | 2018-11-07 | 2018-11-07 | Способ идентификации растительных объектов по космическим снимкам дистанционного зондирования |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2693880C1 true RU2693880C1 (ru) | 2019-07-05 |
Family
ID=67252326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2018139174A RU2693880C1 (ru) | 2018-11-07 | 2018-11-07 | Способ идентификации растительных объектов по космическим снимкам дистанционного зондирования |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2693880C1 (ru) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2785225C2 (ru) * | 2019-08-28 | 2022-12-05 | Общество с ограниченной ответственностью "Точное Землепользование" | Способ детектирования аномального развития агрофитоценозов в пределах сельскохозяйственного полигона |
CN116862317A (zh) * | 2023-08-08 | 2023-10-10 | 广西壮族自治区自然资源遥感院 | 一种基于项目全生命周期绩效考评管理的卫星遥感监测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012196167A (ja) * | 2011-03-20 | 2012-10-18 | Fujitsu Ltd | 植物種識別方法 |
US20160125645A1 (en) * | 2014-11-05 | 2016-05-05 | Umm Al-Qura University | Grading and monitoring of a geographical region |
-
2018
- 2018-11-07 RU RU2018139174A patent/RU2693880C1/ru active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012196167A (ja) * | 2011-03-20 | 2012-10-18 | Fujitsu Ltd | 植物種識別方法 |
US20160125645A1 (en) * | 2014-11-05 | 2016-05-05 | Umm Al-Qura University | Grading and monitoring of a geographical region |
Non-Patent Citations (3)
Title |
---|
А. И. Стрыков "Особенности тематической обработки гиперспектральной информации с КА "Ресурс-П" в задачах мониторинга и распознавания объектов природной среды", РАКЕТНО-КОСМИЧЕСКОЕ ПРИБОРОСТРОЕНИЕ И ИНФОРМАЦИОННЫЕ СИСТЕМЫ, т. 4, вып. 2, 2017 г., стр. 11-19. * |
А. И. Стрыков "Особенности тематической обработки гиперспектральной информации с КА "Ресурс-П" в задачах мониторинга и распознавания объектов природной среды", РАКЕТНО-КОСМИЧЕСКОЕ ПРИБОРОСТРОЕНИЕ И ИНФОРМАЦИОННЫЕ СИСТЕМЫ, т. 4, вып. 2, 2017 г., стр. 11-19. А.Е. Лепский, А.Г. Броневич "Математические методы распознавания образов", Курс лекций, Издательство ТТИ ЮФУ, Таганрог 2009 г. * |
А.Е. Лепский, А.Г. Броневич "Математические методы распознавания образов", Курс лекций, Издательство ТТИ ЮФУ, Таганрог 2009 г. * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2785225C2 (ru) * | 2019-08-28 | 2022-12-05 | Общество с ограниченной ответственностью "Точное Землепользование" | Способ детектирования аномального развития агрофитоценозов в пределах сельскохозяйственного полигона |
CN116862317A (zh) * | 2023-08-08 | 2023-10-10 | 广西壮族自治区自然资源遥感院 | 一种基于项目全生命周期绩效考评管理的卫星遥感监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Puletti et al. | Unsupervised classification of very high remotely sensed images for grapevine rows detection | |
Wharton | A Spectral-Knowledge-Based Approach for Urban Land-Cover Discrmination | |
US7630990B2 (en) | Endmember spectrum database construction method, endmember spectrum database construction apparatus and endmember spectrum database construction program | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
Marcinkowska-Ochtyra et al. | Subalpine and alpine vegetation classification based on hyperspectral APEX and simulated EnMAP images | |
Dmitriev et al. | Spectral texture classification of high-resolution satellite images for the state forest inventory in Russia | |
Jónsson | RGB and Multispectral UAV image classification of agricultural fields using a machine learning algorithm | |
Asming et al. | Processing and classification of landsat and sentinel images for oil palm plantation detection | |
Senchuri et al. | Machine learning methods for road edge detection on fused airborne hyperspectral and lidar data | |
Mianji et al. | Enhanced self-training superresolution mapping technique for hyperspectral imagery | |
RU2693880C1 (ru) | Способ идентификации растительных объектов по космическим снимкам дистанционного зондирования | |
CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
Sertel et al. | Vineyard parcel identification from Worldview-2 images using object-based classification model | |
Mukhoriyah et al. | Application of LAPAN A3 Satellite Data for the Identification of Paddy Fields using Object Based Image Analysis (OBIA) | |
Noppitak et al. | Instance segmentation of water body from aerial image using mask region-based convolutional neural network | |
Neves et al. | Hierarchical classification of Brazilian savanna physiognomies using very high spatial resolution image, superpixel and Geobia | |
Musleh et al. | Comparative analysis of feature extraction and pixel-based classification of high-resolution satellite images using geospatial techniques | |
Radecka et al. | Mapping secondary succession species in agricultural landscape with the use of hyperspectral and airborne laser scanning data | |
Daryaei | Digital change detection using multi-scale wavelet transformation and neural network | |
Kamal et al. | Geographic object based image analysis (GEOBIA) for mangrove tree crown delineation using worldview-2 image data | |
Pavlova et al. | Crop Classification Using Reduced-Dimensionality NDVI Time Series. | |
Oumaima et al. | Classification of a quickbird satellite image by Machine learning techniques: Mapping an urban Environement by decision tree method | |
Ibarrola-Ulzurrun et al. | Influence of pansharpening techniques in obtaining accurate vegetation thematic maps | |
Ferreira et al. | A boosting-based approach for remote sensing multimodal image classification |