Повышение информативности мультиспектральных спутниковых изображений с использованием данных текстурного анализа
DOI:
https://doi.org/10.37482/0536-1036-2022-2-84-104Ключевые слова:
распознавание образов, информативность, дистанционное зондирование, мультиспектральные изображения, почвенно-растительный покров, тематическая обработка, лесная таксацияАннотация
Рассматривается задача повышения информативности тематической обработки мультиспектральных изображений среднего (10–30 м) и высокого (1–4 м) пространственного разрешения, получаемых зарубежными и отечественными спутниковыми системами дистанционного зондирования Земли, за счет привлечения дополнительной текстурной информации с панхроматических спутниковых изображений сверхвысокого пространственного разрешения (≲(1–0,4) м). Объектом исследования стали изображения тестовых полигонов на территории Савватьевского лесничества (Тверская обл.) со спутников Landsat 8, Sentinel 2 и WorldView 2, оснащенных мультиспектральной аппаратурой. Для валидации результатов расчетов использованы геопривязанные данные наземных обследований. В качестве спектральных признаков взяты значения спектральной отражательной способности в каналах видимого и ближнего инфракрасного диапазонов, нормализованные на соответствующую интегральную характеристику. В целях извлечения текстурных признаков на основе распределения совместной встречаемости уровней серого (текстурные признаки Харалика) в пределах скользящего окна, пробегающего с заданным пространственным шагом изображение, вычисляли статистические характеристики. Проведен корреляционный анализ текстурных признаков с учетом изменений расстояния и угла смежности. Для выбранных определяющих признаков: автокорреляции, асимметрии, контраста и корреляции – показано, что первые три могут быть использованы с произвольным выбранным направлением смежности, а последний необходимо рассматривать в двух различных направлениях. Установлено, что при решении задачи распознавания природных и антропогенных объектов все рассмотренные алгоритмы классификации обеспечивают существенное повышение точности при совместном использовании спектральных и текстурных признаков по сравнению с традиционной спектральной классификацией. Этот результат продемонстрирован для всех полученных различными спутниками изображений тестовых полигонов. Можно сделать предварительный вывод, что предлагаемый комплексный подход тематической обработки позволяет повысить качество распознавания объектов в случае использования изображений как среднего, так и высокого пространственного разрешения. Оценки, полученные при построении тематических карт доминантных и субдоминантных отделов лесной растительности, показали близкие точности классификации по различным исходным мультиспектральным изображениям (с разбросом не более 5 % около среднего значения 85 %). По большей части это связано с наличием специфических погрешностей результатов наземной лесной таксации и говорит о необходимости их актуализации с применением данных дистанционного спутникового зондирования.
Для цитирования: Зотов С.А., Дмитриев Е.В., Мельник П.Г., Кондранин Т.В. Повышение информативности мультиспектральных спутниковых изображений с использованием данных текстурного анализа // Изв. вузов. Лесн. журн. 2022. № 2. С. 84–104. DOI: 10.37482/0536-1036-2022-2-84-104
Финансирование: работа выполнена при финансовой поддержке РФФИ, проект № 20-07-00370 «Фундаментальные проблемы повышения информативности обработки данных оптоэлектронных авиакосмических устройств высокого пространственного и спектрального разрешения».
Скачивания
Библиографические ссылки
Воронина П.В., Мамаш Е.А. Классификация тематических задач мониторинга сельского хозяйства с использованием данных дистанционного зондирования MODIS // Вычислительные технологии. 2014. Т. 19, № 3. C. 76–102. Voronina P.V., Mamash E.A. Classification of Thematic Monitoring for Agriculture Problems Using Remote Sensing MODIS Data. Vychislitelnye tekhnologii [Computational Technologies], 2014, vol. 19, no. 3, pp. 76–102.
Колодникова Н.В. Обзор текстурных признаков для задач распознавания образов // Докл. ТУСУР. 2004. № 1(9). С. 113–124. Kolodnikova N.V. Overview of Textural Features for Pattern Recognition Problems. Doklady TUSUR [Proceedings of TUSUR University], 2004, no. 1(9), pp. 113–124.
Потапов A.А. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей // Радиотехника и электроника. 2003. Т. 48, № 9. С. 1101–1119. Potapov A.A. New Information Technology in Radar Detection of Low-Contrast Targets Based on Probabilistic Texture and Fractal Features. Radiotehnika i elektronika [Journal of Communications Technology and Electronics], 2003, vol. 48, no. 9, pp. 1101–1119.
Фраленко В.П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения. 2014. Т. 5, № 4(22). С. 19–39. Fralenko V.P. Methods of Image Texture Analysis, Earth Remote Sensing Data Processing. Programmnyye sistemy: teoriya i prilozheniya [Program Systems: Theory and Applications], 2014, no. 4(22), pp. 19–39.
Шабанов Н.В., Барталев С.А., Ерошенко Д.А., Плотников Ф.В. Развитие возможностей дистанционной оценки индекса листовой поверхности по данным MODIS // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15, № 4. С. 166–178. Shabanov N.V., Bartalev S.A., Eroshenko F.V., Plotnikov D.E. Development of Capabilities for Remote Sensing Estimate of Leaf Area Index from MODIS Data. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current problems in remote sensing of the Earth from space], 2018, vol. 15, no. 4, pp. 166–178. DOI: https://doi.org/10.21046/2070-7401-2018-15-4-166-178
Beguet B., Guyon D., Boukir S., Chehata N. Automated Retrieval of Forest Structure Variables Based on Multi-Scale Texture Analysis of VHR Satellite Imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, vol. 96, pp. 164–178. DOI: https://doi.org/10.1016/j.isprsjprs.2014.07.008
Breiman L. Random Forests. Machine Learning, 2001, vol. 45, iss. 1, pp. 5–32. DOI: https://doi.org/10.1023/A:1010933404324
Brynolfsson P., Nilsson D., Torheim T., Asklund T., Thellenberg Karlsson C., Trygg J., Nyholm T., Garpebring A. Haralick Texture Features from Apparent Diffusion Coefficient (ADC) MRI Images Depend on Imaging and Pre-Processing Parameters. Scientific Reports, 2017, vol. 7, art. 4041. DOI: https://doi.org/10.1038/s41598-017-04151-4
Chen J.M., Cihlar J. Retrieving Leaf Area Index of Boreal Conifer Forests Using Landsat TM images. Remote Sensing of Environment, 1996, vol. 55, iss. 2, pp. 153–162. DOI: https://doi.org/10.1016/0034-4257(95)00195-6
Cover T.M., Hart P.E. Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory, 1967, vol. 13, no. 1, pp. 21–27. DOI: https://doi.org/10.1109/TIT.1967.1053964
Dmitriev E.V., Sokolov A.A., Kozoderov V.V., Delbarre H., Melnik P.G., Donskoi S.A. Spectral Texture Classification of High-Resolution Satellite Images for the State Forest Inventory in Russia. Remote Sensing for Agriculture, Ecosystems, and Hydrology XXI, 2019, vol. 11149, art. 111491J. DOI: https://doi.org/10.1117/12.2532965
Eklundh L., Harrie L., Kuusk A. Investigating Relationships between Landsat ETM+ Sensor Data and Leaf Area Index in a Boreal Conifer Forest. Remote Sensing of Environment, 2001, vol. 78, iss. 3, pp. 239–251. DOI: https://doi.org/10.1016/S0034-4257(01)00222-X
Ferreira M.P., Wagner F.H., Aragão L.E.O.C., Shimabukuro Y.E., de Souza Filho C.R. Tree Species Classification in Tropical Forests Using Visible to Shortwave Infrared WorldView-3 Images and Texture Analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, vol. 149, pp. 119–131. DOI: https://doi.org/10.1016/j.isprsjprs.2019.01.019
Franklin S.E. Remote Sensing for Sustainable Forest Management. Boca Raton, FL, CRC press, 2001, p. 424. DOI: https://doi.org/10.1201/9781420032857
Goldberger J., Hinton G.E., Roweis S., Salakhutdinov R.R. Neighbourhood Components Analysis. Advances in Neural Information Processing Systems 17: Proceedings of the 2004 Conference. Ed. by L. Saul, Y. Weiss, L. Bottou. Cambridge, MA, MIT Press, 2004, pp. 513–520.
Hadi H., Korhonen L., Hovi A., Rönnholm P., Rautiainen M. The Accuracy of Large-Area Forest Canopy Cover Estimation Using Landsat in Boreal Region. International Journal of Applied Earth Observation and Geoinformation, 2016, vol. 53, pp. 118–127. DOI: https://doi.org/10.1016/j.jag.2016.08.009
Haralick R.M. Statistical and Structural Approaches to Texture. Proceedings of the IEEE, 1979, vol. 67, no. 5, pp. 786–804. DOI: https://doi.org/10.1109/PROC.1979.11328
Haralick R.M., Shanmugam K., Dinstein I. Textural Features for Image Classification. IEEE Transactions on Systems, Man, and Cybernetics, 1973, vol. SMC-3, no. 6, pp. 610–621. DOI: https://doi.org/10.1109/TSMC.1973.4309314
Lechner A.M., Foody G.M., Boyd D.S. Applications in Remote Sensing to Forest Ecology and Management. One Earth, 2020, vol. 2, iss. 5, pp. 405–412. DOI: https://doi.org/10.1016/j.oneear.2020.05.001
Paletto A., Tosi V. Forest Canopy Cover and Canopy Closure: Comparison of Assessment Techniques. European Journal of Forest Research, 2009, vol. 128, iss. 3, pp. 265–272. DOI: https://doi.org/10.1007/s10342-009-0262-x
Sexton J.O., Song X.-P., Feng M., Noojipady P., Anand A., Huang C., Kim D.-H., Collins K.M., Channan S., DiMiceli C., Townshend J.R. Global, 30-m Resolution Continuous Fields of Tree Cover: Landsat-Based Rescaling of MODIS Vegetation Continuous Fields with Lidar-Based Estimates of Error. International Journal of Digital Earth, 2013, vol. 6, iss. 5, pp. 427–448. DOI: https://doi.org/10.1080/17538947.2013.786146
Srivastava S., Gupta M.R., Frigyik B.A. Bayesian Quadratic Discriminant Analysis. Journal of Machine Learning Research, 2007, vol. 8, pp. 1277–1305.
Tharwat A. Linear vs. Quadratic Discriminant Analysis Classifier: A Tutorial. International Journal of Applied Pattern Recognition, 2016, vol. 3, no. 2, pp. 145–180. DOI: https://doi.org/10.1504/IJAPR.2016.079050
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
