Кадастровая оценка схемы комплексного использования и охраны водных объектов

  • Вид работы:
    Дипломная (ВКР)
  • Предмет:
    Геология
  • Язык:
    Русский
    ,
    Формат файла:
    MS Word
    202,11 Кб
  • Опубликовано:
    2017-10-13
Вы можете узнать стоимость помощи в написании студенческой работы.
Помощь в написании работы, которую точно примут!

Кадастровая оценка схемы комплексного использования и охраны водных объектов

СОДЕРЖАНИЕ

РЕФЕРАТ

ВВЕДЕНИЕ

. ДЕШИФРИРОВАНИЕ МАТЕРИАЛОВ АЭРО- И КОСМИЧЕСКИХ СЪЕМОК

.1 Понятие о дешифрировании

.2 Задачи и содержание дешифрирования снимков застроенных территорий

.3 Методы дешифрирования материалов аэро- и космических съемок

. ИНФОРМАЦИОННЫЕ ВОЗМОЖНОСТИ ДЕМАСКИРУЮЩИХ ПРИЗНАКОВ

.1 Классификация демаскирующих признаков

.2 Информационные возможности демаскирующих признаков

.3 Объекты дешифрирования застроенных территорий и их демаскирующие признаки

. АВТОМАТИЗАЦИЯ ПРОЦЕССА РАСПОЗНАВАНИЯ ОБЪЕКТОВ ЗАСТРОЕННЫХ ТЕРРИТОРИЙ

.1 Перспективы автоматизации процесса дешифрирования

.2 Методы автоматизированного дешифрирования

.3 Процесс автоматизированного распознавания образов на основе нейросетевых методов

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

РЕФЕРАТ

Выпускная квалификационная работа содержит 102 страницу, 21 рисунок, 2 таблицы, 40 использованных источников и 3 приложения.

дешифрование, нейронные сети, автоматизированное распознавание изображений площадных объектов, флуктуации параметров сети, оконтуривание классифицированных объектов

Объект исследования - технология использования многозональных космических снимков высокого разрешения для мониторинга застроенных комплексов.

Цель работы - изучение возможности автоматизации процесса распознавания объектов застроенных территорий.

В процессе работы поставленные задачи решались с применением методов описательной статистики, аналитического, экономико-математического, графического, программного.

В результате исследования изучены следующие методы дешифрования аэрокосмических снимков:

. Метод автоматизированной классификации изображений топографических объектов с использованием нейросети;

. Метод автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети;

. Метод автоматизированного распознавания изображений площадных объектов застроенных территорий с использованием нейросети;

. Способ организации классификатора дешифровочных признаков топографических объектов;

. Методика автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

Область применения: в практике работы кадастрового инженера.

ВВЕДЕНИЕ

Научная и хозяйственная необходимость целостного изучения природной среды Земли как местообитания и арены практической деятельности человека общепризнанна.

С появлением космических летательных аппаратов и различных средств получения дистанционной информации о Земле в мелких и сверхмелких масштабах стал возможен цельный, общий взгляд на различные природные процессы и явления.

Получение информации о топографических объектах по материалам космических съемок при создании и обновлении топографических цифровых и электронных карт выполняется на этапе дешифрирования снимков. Временные затраты на дешифрирование по традиционной технологии создания и обновления карт составляют от 20 до 40 общих затрат. Это вызвано тем, что наиболее сложные и трудоемкие этапы дешифрирования (обнаружение или объектов местности и их распознавание) выполняются визуальным визуально-машинным способами. В связи с успешной автоматизацией других процессов входящих в технологическую схему составления и обновления карт, процент временных затрат на дешифрирование снимков растет и в ближайшей перспективе может составить 60-70%. Поэтому одной из перспективных возможностей изменения ситуации в области составления и обновления карт является разработка методики автоматизированного дешифрирования, что обуславливает актуальность дипломной работы.

Объект и предмет исследования. Объектом исследования является технология использования многозональных космических снимков высокого разрешения для мониторинга застроенных комплексов, а предметом - алгоритмы автоматизированного дешифрирования многозональных космических снимков и выявления по ним изменений.

Целью данной работы является изучение возможности автоматизации процесса распознавания объектов застроенных территорий.

Для достижения цели работы были поставлены и решены следующие задачи:

рассмотрены понятие, методы и задачи дешифрирования снимков застроенных территорий;

дана классификация демаскирующих признаков и выявлены их информационные возможности;

выделены основные объекты дешифрирования застроенных территорий, проанализированы их демаскирующие признаки;

рассмотрены перспективы автоматизации процесса дешифрирования;

проанализирован алгоритм автоматизированного распознавания образов на основе нейросетевых методов.

Методологическую базу работы составляют эмпирические (наблюдение), теоретические (обобщение, формализация) и общелогические (анализ, синтез, индукция, дедукция, аналогия) методы.

Теоретическую основу выпускной квалификационной работы составили Законодательство Российской Федерации о государственном кадастре, работа с научными публикациями в сети Интернет, учебными и научными публикациями по теме дешифрирование аэрокосмических снимков позволила собрать материал по теме выпускной квалификационной работы. Среди изданий периодического характера были просмотрены журналы «Искусственный интеллект», «Известия вузов. Геодезия и аэрофотосъемка», «Геодезия и картография» и др.

Решению задач автоматизированного дешифрирования аэрокосмических снимков и выявления по ним изменений посвящено большое количество работ известных ученых, как отечественных (Журкин И.Г., Гук А.П., Пяткин В.П., Асмус В.В., Ярославский Л.П.), так и зарубежных (Гонсалес Р., Вудс Р., Прэтт У. и др.).

Базой для исследований являются выполненные ранее исследования в области разработки методик дешифрирования аэрокосмических снимков и выделения изменений. При проведении экспериментальных работ были использованы космические снимки IKONOS, FORMOSAT-2, SPOT-5, QuickBird, World-View-2.

На защиту будут вынесены следующие основные положения:

. Метод автоматизированной классификации изображений топографических объектов с использованием нейросети;

. Метод автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети;

. Метод автоматизированного распознавания изображений площадных объектов застроенных территорий с использованием нейросети;

. Способ организации классификатора дешифровочных признаков топографических объектов;

. Методика автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

Выпускная квалификационная работа состоит из введения, трех глав, заключения, списка используемых источников и приложений.

1. ДЕШИФРИРОВАНИЕ МАТЕРИАЛОВ АЭРО- И КОСМИЧЕСКИХ СЪЕМОК

.1 Понятие о дешифрировании

Дешифрирование - это распознавание объектов местности, необходимых для составления плана или других целей, и выявление их содержания с обозначением в условных знаках качественных и количественных характеристик.

Возможность распознавания изображения объекта определяется наличием граничных линий со смежными объектами, тоновый и цветовой контраст которых лежит в пределах зрительного восприятия. Увеличение такого контраста является обязательным условием аэрофотографирования [1].

Свойства объектов и изображений, такие как размер, используют для дешифрирования, другие, вследствие невозможности или нецелесообразности их определения, например, массу, звук, запах - нет. Свойства объектов или изображений, определяемые и используемые для классификации при дешифрировании, называют признаками.

Признаки - это классификационные свойства объектов или изображений.

С помощью признаков можно не только различать объекты (изображения), но и однотипные объединять в группы. Последнее положение обусловливает два пути сужения области поиска во множестве объектов (изображений): объединением имеющих данный признак либо исключением не имеющих его. Из совокупности признаков объекта (изображения), известных дешифровщику, у него складывается соответствующий образ.

Любую необходимую для решения некоторой задачи информацию о местности, расположенных на ней объектах можно получить путем непосредственных наблюдений (контактный способ). У этого способа сбора информации есть определенные преимущества - возможность тщательного натурного изучения объектов и взятия при необходимости проб для лабораторного анализа. Это обеспечивает самый высокий уровень достоверности получаемых сведений. Но наряду с этим способу свойственны и существенные недостатки. Например, ограниченность зоны одновременного обзора, анализа и выявления взаимосвязей между элементами природного и антропогенного ландшафтов, ограниченность спектральной чувствительности зрительного аппарата человека, невысокая производительность и оперативность выполнения обследований, сложность работы в труднодоступных районах, довольно сложная в ряде задач процедура документирования результатов обследований и др [2].

Аэро- и космические средства и методы получения семантической информации о местности, объектах и процессах в значительной мере восполняют недостатки контактного способа сбора информации, а в некоторых случаях полностью заменяют его. Некоторые задачи, особенно поисковые (разведывательные), решают только с помощью аэро- и космических съемок.

Дешифрирование входит составной частью в технологический процесс топографического и ландшафтного картографирования, а также является важнейшим технологическим компонентом дистанционного зондирования.

Поскольку между съемкой и дешифрированием иногда возникает существенный временной разрыв, в течение которого могут произойти некоторые изменения ситуации, в обязанности дешифровщика войдет полевая инструментальная корректировка - досъемка вновь появившихся элементов или исключение из дешифрирования элементов утраченных. Очевидно, что досъемке подлежат также объекты, не отразившиеся по тем или иным причинам на снимках, например объекты с недостаточным яркостным контрастом относительно фона или объекты, оказавшиеся за пределами линейной разрешающей способности съемочной системы.

Дешифрирование классифицируют по содержанию и технологии выполнения. В зависимости от содержания дешифрирование делят на следующие виды: топографическое (при мелкомасштабном картографировании - ландшафтное) и специальное (тематическое, отраслевое). При топографическом дешифрировании выявляют, анализируют и показывают условными знаками элементы ландшафта, подлежащие нанесению на топографические карты (при ландшафтном - на географические карты).[3]

Набор объектов при специальном дешифрировании носит избирательный характер. Так, при земельно-кадастровом дешифрировании основными объектами анализа являются сельскохозяйственные угодья и границы землепользований и землевладений; при геоботаническом - естественные кормовые угодья или посевы культурных растений; при экологическом - зоны природных или антропогенных нарушений нормального состояния окружающей человека среды и т.д. Одновременно с целевыми объектами специального дешифрирования на дешифрируемых материалах показывают в большинстве случаев и топографические элементы в упрощенном виде. Они облегчают привязку специальной информации при нанесении ее на имеющиеся карты, или их используют для составления специальных карт, если подходящая топографическая основа отсутствует.

По технологии выполнения можно выделить следующие основные методы дешифрирования (рис. 1.1):

-визуальный, в котором информацию считывает со снимков и анализирует человек; в зависимости от места выполнения выделяют камеральный, полевой и комбинированный способы, которые можно поделить на варианты;

-машинно-визуальный, в котором с помощью компьютера или специализированных устройств выполняют предварительную обработку первичных снимков с целью облегчения их визуального дешифрирования. Способами данного метода могут быть: синтезирование изображений, квантование уровней видеосигналов, фильтрация изображения и др.;

-автоматизированный, в котором интерпретационная обработка снимков выполняется машиной в диалоговом режиме - оператор выбирает способ обработки, выполняет «обучение» системы, контролирует качество работы классификатора, вносит коррективы в программы и др.; в данном методе можно выделить два наиболее употребляемых способа - классификации, в котором анализируемые элементы изображения сразу же относятся к определенному эталонированному классу объектов, и кластеризации, в котором элементы изображения предварительно разбиваются на группы (кластеры) по сходству некоторых признаков с последующей идентификацией этих групп;

-автоматический, в котором интерпретационная система решает отлаженные задачи без вмешательства оператора.

Принципиальная схема дешифровочного процесса в любом методе остается неизменной - распознавание выполняют путем сопоставления и определения степени близости некоторого набора признаков дешифрируемого объекта с соответствующими эталонными признаками, находящимися в памяти человека или машины.

Рисунок 1 - Технологическая классификация дешифрирования

Способы не всегда четко разделяются между собой и по мере их совершенствования и изменения функции человека в их реализации они могут переходить из одного в другой [2].

В зависимости от принятой технологии производства работ, дешифрирование выполняют на фотопланах, фотосхемах, контактных или увеличенных снимках. Содержание работ, детальность дешифрирования и набор характеристик объектов определяются назначением работ. Содержание топографического дешифрирования, его точность, степень детализации, правила отображения выделенных на снимках объектов и набор их характеристик регламентируются действующими нормативными документами - инструкциями, наставлениями, руководствами, в том числе условными знаками топографических карт (планов) соответствующего масштаба и др.

Особенности дешифрирования объектов местности, признаки отнесения земель к тем или иным видам и категориям, правила их отображения, оформления материалов дешифрирования и т. д. приведены в инструкциях по дешифрированию для соответствующих масштабов [4].

Действующие нормативные документы по дешифрированию устанавливают следующие основные требования к точности дешифрирования элементов ситуации:

-ошибки опознавания и вычерчивания границ контуров и объектов, отчетливо изобразившихся на аэроснимке, относительно видимой фотолинии, не должна превышать 0,3 мм;

-расхождения между двумя определениями при нанесении не изобразившихся на аэроснимках контуров и объектов, имеющих отчетливые границы, не должны превышать 0,5 мм. При этом составляются абрисы промеров от отчетливо изобразившихся на аэроснимке объектов до определяемой точки;

-расхождения между двумя определениями при нанесении контуров, не имеющих в натуре четко выраженных границ (например, границы между суходольными и заболоченными луговыми землями) не должны превышать 1,5 мм.

Наименьшие площади контуров, подлежащих дешифрированию, увязываются с ценностью земель и составляют:

4 мм - для пахотных земель, залежей и земель, занятых под постоянными культурами, улучшенных луговых земель, а также вкрапленных в них других земель;

мм - для немелиорированных луговых земель и вкрапленных в них луговых земель;

мм - для одноименных, различающихся по качественным признакам сельскохозяйственных земель (например, пахотные земли чистые и засоренные камнями, луговые земли чистые и заросшие кустарником и т. п.), а также для некоторых других несельскохозяйственных земель (лесных болот, песков и т. п.);

мм - для контуров кустарника, поросли, бурелома, горелого или сухостойного леса, расположенных внутри массивов древесной растительности, и для контуров леса, расположенных внутри массивов кустарника или поросли.

Озера, пруды, мочажины, колки дешифрируют независимо от площади; линейные контуры - при их длине на плане 1 см и более; промоины дешифрируют при длине их на плане 5 мм и более.

Современные технологии производства работ по дешифрированию основаны на использовании цифровых методов картографирования и включают:

-подготовительные работы: подбор необходимых картографических материалов, сбор сведений об официальных названиях и категориях населенных пунктов, информации о дорожной сети, данных государственного учета земель и лесного фонда и т. д.;

-камеральное дешифрирование фотопланов (ортофотопланов) с максимальным использованием собранных в подготовительный период материалов и сведений. Применение для этой цели цифровых снимков существенно дополняет рассмотренную ранее технологию фотометрическими преобразованиями и анализом яркостных характеристик, возможностями изменения масштаба изображения и др., что повышает качество выполняемых работ;

-полевое обследование копий фотопланов (ортофотопланов) с результатами камерального дешифрирования, включающее их контроль и уточнение отображения; определение и уточнение числовых характеристик объектов, полученных в камеральных условиях видов и качественного состава земель; нанесение объектов, не изобразившихся на материалах аэрофотосъемки; согласование с руководителями хозяйств данных о хозяйственном использовании земель и др.;

-контроль качества результатов исполненных работ и их приемку.

Перечисленные работы выполняются как составная часть работ по созданию (обновлению) топографических или иных карт, планов или получения исходных данных информационных систем соответствующего назначения [2].

Таким образом, наиболее информативными материалами, получаемыми на основе обработки результатов аэро- и космических съемок, являются фотопланы, ортофотопланы, цифровые модели местности и цифровые карты.

Изготовление данных материалов предполагает фотограмметрическую обработку либо одиночного снимка, либо стереопары. В зависимости от способа фотограмметрической обработки, технологической схемы создания и обновления топографической или картографической продукции (Приложение А, Б) изменяется роль разных видов дешифрирования.

При изготовлении продукции на основе фотограмметрической обработки одиночного снимка основную роль играет камеральное дешифрирование, а стереопары - полевое. Во всех случаях дешифрирование входит основной составной частью в технологический процесс топографического и ландшафтного картографирования, а также является важнейшим технологическим компонентом дистанционного зондирования. Оно может осуществляться различными методами, обеспечивает: получение информации об объектах, подлежащих измерению их координат или нанесению на изготавливаемые планы и карты; опознавание этих объектов на анализируемых изображениях; определение качественных и численных характеристик объектов, нанесение их положения или границ простирания, а также выражение полученных данных условными знаками.

Таким образом, одной из важных задач автоматизированного дешифрирования является классификация изображений топографических объектов. Правильно выполненная классификация изображений топографических объектов значительно упрощает последующий процесс их распознавания, повышает полноту и вероятность распознавания, а следовательно, и эффективность дешифрирования в целом.

.2 Задачи и содержание дешифрирования снимков застроенных территорий

Дешифрирование снимков застроенных территорий (рис. 2) - процесс обнаружения, распознавания и изображения в специальных условных знаках видимых объектов города (построек, земельных угодий, водных объектов, зеленых насаждений).

Обнаружение начинается с анализа всего снимка, затем изображение разделяется на все более мелкие компоненты, а затем выделяются элементарные единицы (объекты и их элементы).

Дешифрирование снимков выполняется по прямым и косвенным демаскирующим признакам и, как правило, с привлечением дополнительных картографических материалов.

При дешифрировании снимков сверхвысокого разрешения, которым присуща большая детализация изображения, может эффективно использоваться визуальное дешифрирование по эталонам, когда для успешного решения задач дешифрирования используют тестовые фрагменты снимков, на которых показан пример изображения определенного объекта [5].

Рисунок 2 - Результат дешифрирования снимка застроенных территорий

а) исходный снимок; б) карта составленная по результатам дешифрирования.

Разделение разновременных снимков на фрагменты необходимо выполнять для того, чтобы найти изменения, небольшие по площади. Коэффициенты, вычисляемые с помощью вейвлет-преобразования, зависят от резких перепадов значений яркости, которые происходят на границах какого-либо объекта. На основе сравнения значений вычисленных коэффициентов для фрагментов разновременных снимков можно определить, в каком месте произошли изменения.

Результаты, получаемые в процессе дешифрирования снимков, используют для создания базовых планов состояния и использования земель, информационных кадастровых баз данных и геоинформационных систем (ГИС).

Планово-картографические материалы и информационные базы данных, хранящиеся на бумажной основе или на магнитных носителях, являются основой для ведения Государственного кадастра недвижимости. Содержащиеся в них сведения используют при регистрации прав собственности, организации постоянного контроля за использованием земель, налогообложении и т. п. данная информация в справочном формате отображена на публичной кадастровой карте рис. 3

Рисунок 3 - Публичная кадастровая карта

При выполнении работ по дешифрированию руководствуются инструкциями и наставлениями, принятыми в производстве, а также техническим заданием, определяющим требования к содержанию и объему получаемой информации [6].

В границах сельских населенных пунктов и городов подлежат дешифрированию следующие земельные участки:

-жилой застройки (земли под многоэтажными строениями и земли между ними, функционально связанные и закрепленные за зданиями и сооружениями, а также территории для их технологического обслуживания);

-общественной застройки (земли под учреждениями образования, науки, здравоохранения, культуры, искусства, общественного питания, торговли, гаражами и др.);

-земли общественного пользования (улицы, площади, проспекты, дороги, проезды, переулки, парки, лесопарки, бульвары, скверы, набережные, пляжи и др.);

-под промышленной, коммунальной и складской застройкой; транспорта, связи, инженерных коммуникаций (железные и автомобильные дороги, речной транспорт; земли под трубопроводами, линиями электропередач, под сооружениями радиовещания и телевидения и т. д.);

-природно-заповедного, природоохранного, оздоровительного, рекреационного и историко-культурного назначения;

-водного фонда (занятые водными объектами: реками, озерами, водохранилищами, водоохранными зонами, гидротехническими и водохозяйственными сооружениями и другими водными объектами);

-сельскохозяйственного назначения (сельскохозяйственные угодья, земли акционерных и фермерских хозяйств, колхозов, муниципальных и подсобных хозяйств, земли под коллективными садами и огородами и т. п.); запаса;

-военных объектов, режимных зон и иные земли; прочие земли (карьеры, копаные места, каменистые территории и т. п.).

Классификатор объектов может быть расширен или уменьшен в зависимости от поставленной задачи.

Подготовительные работы при дешифрировании снимков - наиболее ответственный этап в технологическом комплексе работ. Просчеты, допущенные на этом этапе, могут привести к увеличению материальных и трудовых затрат, сроков выполнения работ и в итоге к увеличению стоимости конечной продукции [2].

На подготовительном этапе выполняют следующие виды работ:

-подбирают увеличенные снимки или их фрагменты на участки изучаемой территории; отграничивают рабочие площади на отобранных снимках; подбирают топографические материалы на участки работ;

-получают копии генеральных планов и другой градостроительной документации, перспективные планы развития и правила застройки городов и населенных пунктов;

-собирают материалы (копии) предыдущих инвентаризаций, документы и материалы по отводу земельных участков, выносу в натуру, установлению и восстановлению границ землевладений, землепользований и населенных пунктов;

-получают материалы обследований индивидуальных земельных участков и построек, выполненных организацией технической инвентаризации (ОТИ), и материалы исполнительской съемки, в которых отражены сведения о землевладельцах, землепользователях;

-получают сведения о наличии зон ограничения и обременения по данным организаций, в ведении которых находятся линии электропередач, связи, трубопроводы, коммунальные сети и т. п.;

-составляют списки землепользователей (физических и юридических лиц); собирают на каждый населенный пункт сведения о распределении земель по целевому назначению;

-согласуют существующие и проектные границы населенных пунктов в архитектурно-планировочных управлениях (отделах).

Технология дешифрирования снимков состоит из двух этапов: камеральной подготовки и полевого обследования территории.

На первом этапе, используя материалы подготовки, дешифрируют все объекты, подлежащие отображению на базовом плане. При этом наносят границы тех объектов, дешифрирование которых не вызывает сомнения, а также границы населенных пунктов, кадастровых зон, массивов, кварталов.

На втором долевом этапе опознают объекты, достоверность дешифрирования которых в камеральных условиях была низкой, а также обследуют все камеральные дешифрированные объекты. Выполняют досъемку не изобразившихся объектов. Комбинированный способ позволяет уменьшить объемы чертежных работ в полевых условиях, сократить время полевых работ при одновременном повышении достоверности, полноты и точности результатов дешифрирования.

Дешифрирование границ землевладений, землепользований - ответственная, сложная и юридически значимая часть полевых работ. Положение поворотных точек и межевых знаков границ участков определяют в натуре и опознают (или уточняют) на снимках совместно с представителем местной администрации и, желательно, в присутствии землевладельца, землепользователя. При этом определяют и наносят на снимки границы участков по их фактическому использованию. Непосредственно опознаваемые поворотные точки наносят на увеличенные снимки с точностью 0,1 мм. Если поворотные точки не изобразились на снимке или плохо распознаются, то для их нанесения выполняют промеры рулеткой от ближайших трех четких контурных точек.

Результаты измерений и абрис заносят в журнал полевого дешифрирования. Чтобы перенести результаты измерений на снимок, определяют масштаб в данной зоне снимка (частный масштаб зоны).

В компьютерных технологиях обработки снимков применяют два способа отображения не изобразившихся объектов по результатам полевых измерений.

В первом способе объекты наносят на изображение, выведенное на мониторе компьютера, после фотограмметрических преобразований снимков.

Во втором случае фотограмметрически преобразованные снимки печатают на принтере или плоттере. Получают одномасштабные изображения на бумажной основе, а далее по результатам промеров не изобразившиеся объекты наносят в полевых условиях.

В границах земельных участков показывают жилые дома и капитальные строения. При этом должно выполняться условие - положение здания и сооружения определяется по его основанию (цоколю). В зависимости от вариантов изображения построек применяют различные приемы их нанесения на крупномасштабных снимках.

При наличии внутри землевладения участка, принадлежащего другому землевладельцу, определяют и согласовывают границы каждого с выделением земель общего пользования (проезды, проходы, земли технологического назначения и т. п.).

В случае выявления спорных границ в полевом журнале и в акте согласования границ отмечают существо заявленного спора, а сами границы показывают пунктирной линией со слов землевладельцев [4].

Дешифрирование линейных объектов (улиц, проездов, автомобильных и железных дорог, различных трубопроводов, линий электропередач и связи) имеет свои особенности. Большинство линейных объектов имеют полосы отчуждения (отвода) или охранные зоны, которые подлежат дешифрированию и обозначению соответствующим условным знаком. Объекты, расположенные в охранных зонах, дешифрируют в обязательном порядке, а находящиеся в полосах отвода - по дополнительным требованиям.

При дешифрировании улиц выделяют:

-проезжую часть по линии бордюрного камня, по ширине твердого покрытия или по факту использования;

-тротуары, располагающиеся между фасадной линией и проезжей частью улицы;

-газоны, находящиеся между проезжей частью улицы и тротуаром;

-канавы.

В границах населенных пунктов дешифрируют шоссе, бульвары, проспекты, проезды, тупики, включая сооружения на них (например, остановки общественного транспорта, трансформаторные подстанции и т. п.). При наличии в населенных пунктах названий улиц, площадей, бульваров, нумерации построек их наносят на дешифрируемый материал.

Профилированные дороги (шоссе, автострады) дешифрируют по ширине твердого покрытия с указанием его типа и ширины полосы отвода. Дешифрированию подлежат находящиеся на них сооружения.

Грунтовые дороги дешифрируют за пределами застроенной территории.

Железные дороги дешифрируют в границах полосы отвода.

Границы полосы отвода и охранной зоны определяют на основании правоустанавливающих документов или по материалам земельного отвода.

Садово-дачные кооперативы и товарищества, земли, предоставленные жителям населенного пункта во временное пользование, земли под застройкой гаражами, сараями и т. п. дешифрируют одним общим контуром с указанием кадастрового номера.

В границах населенных пунктов дешифрируют по дополнительным требованиям выходы подземных инженерных коммуникаций (смотровые колодцы, выходы подземных переходов, трубопроводов), наземные инженерные коммуникации и сооружения на них.

Качество дешифрирования определяют полевым контролем и при окончательной приемке работ. Для этого проверяют 15 - 30 % объема выполненных работ. Контролируют точность нанесения границ объектов, для чего выборочно промеряют между поворотными точками границы землевладений, определяют достоверность и полноту семантической информации о землевладельцах, землепользователях [2].

По результатам дешифрирования формируют «Дело по дешифрированию», в которое входят дешифрированные увеличенные аэрофотоснимки (фрагменты), фотопланы или ортофотопланы; журналы полевого обследования, акты полевого контроля и т. п.

Таким образом, основные задачи дешифрирования снимков урбанизированных территорий состоят в распознавании и отображении в специальных условных знаках видимых объектов города (построек, земельных угодий, водных объектов, зеленых насаждений и т. п.).

Дешифрирование снимков выполняется по прямым и косвенным демаскирующим признакам и, как правило, с привлечением дополнительных картографических материалов. Содержание результатов дешифрирования должно обеспечить получение информации о рельефе, объектах гидрографии, развитии городского хозяйства и т. п.

.3 Методы дешифрирования материалов аэро- и космических съемок

Как уже упоминалось ранее, основные методы дешифрирования: визуальный, машинно-визуальный, автоматизированный, автоматический.

Визуальный метод. Визуальное дешифрирование представляет собой сложный многоэтапный процесс логического анализа изображений. Распознавание объектов и определение их характеристик часто сливаются в единый процесс с многократным чередованием анализа ситуаций в целом, а также их отдельных элементов и фрагментов.

Человек превосходит машину в решении логических задач. Он может на основе ограниченной информации, используя логический аппарат, преобразовывать дешифровочные признаки применительно к конкретным временным и пространственным условиям, учитывать изменение признаков в зависимости от положения анализируемого участка в кадре и изменения условий освещения дешифрируемых объектов, использовать существующие природные и функциональные взаимосвязи между элементами ландшафта, исключать некоторые шумы и др. (феномен восприятия). Поэтому визуальное дешифрирование во многих случаях превосходит машинное (автоматизированное) по достоверности результатов.

Одна из важнейших психологических особенностей визуального дешифрирования - использование относительных оценок характеристик объектов на изображении. Например, общественные здания и сооружения отделяются от индивидуальных зданий в населенном пункте не по абсолютным размерам их изображения, а по относительным. Для этого не требуется даже знания масштаба изображения. Участки пашни с повышенным увлажнением поверхности или кормовых угодий с более мощным травостоем выделяются не по абсолютному значению оптической плотности, а по ее локальному изменению. То же можно сказать и о выявлении участков со смытыми или подверженными дефляции почвами.

В дешифрировании отдельных объектов обычно выделяют три ступени: обнаружения, опознавания и определения характеристик.

Как отмечалось ранее, в визуальном методе дешифрирования можно выделить три основных способа: полевой, камеральный и комбинированный.

Таким образом, следует перечислить основные возможности визуального дешифрирования:

·Анализ изображения выполняется на уровне объектов, размеры которых в несколько раз больше разрешения (пиксела).

·Количественные оценки (площади, длины и т.д.) могут быть получены лишь приближенно.

·Анализ яркости (тон изображения) на черно-белых изображениях возможен в пределах до 12 ступеней.

·Совместный анализ зональных снимков ограничен, т.к. сопоставление более 2-х снимков затруднителен.

·Форма объектов в плане определяется легко и однозначно.

·Форма объектов в пространстве (их вертикальная протяженность) легко определяется на паре смежных снимков (по стереоприбору или по тени).

·Пространственное размещение объекта определяется легко.

·Хорошо используются косвенные признаки.

·Возможно дешифрирование сразу по выверенной легенде.

·Результаты дешифрования обычно субъективны.

Полевой способ дешифрирования выполняют, сличая снимок с местностью. Специалист при этом может находиться на земле (наземный вариант) или на борту летательного аппарата (аэровизуальный вариант). Полевое дешифрирование характеризуется наивысшей полнотой и достоверностью результатов. Однако ввиду сезонности и трудоемкости выполнения, а также повышенной себестоимости применяют его только в случаях, когда камеральное дешифрирование не обеспечивает нужного качества результатов [7].

Камеральный способ дешифрирования заключается в логическом анализе изображения с использованием всего комплекса дешифровочных признаков (визуально-логический вариант). В процессе дешифрирования используют вспомогательные материалы (карты, данные о юридических границах землепользований и др.).

Достоверность камерального дешифрирования повышается при использовании снимков-эталонов типичных участков, дешифрированных в поле (эталонный вариант).

Комбинированный способ дешифрирования сочетает в себе процессы и технологические приемы предыдущих способов. В зависимости от последовательности их чередования могут быть выделены варианты. В одном из них предварительно выполняют камеральное дешифрирование, а затем полевую доработку сложных участков с попутным контролем результатов камерального дешифрирования. В другом - сначала выполняют избирательное полевое дешифрирование (обычно вдоль транспортных путей), а затем камеральное с использованием дешифрированных в поле снимков в качестве эталонов.

Комбинированное дешифрирование сочетает в себе достоинства первых двух способов.

Машинно-визуальный метод дешифрирования. Как говорилось выше, в данном методе подлежащие дешифрированию снимки подвергаются предварительно машинной обработке с целью облегчения их визуального анализа. Решение о целесообразности такой обработки и ее виде принимают экспертно при оценке дешифрируемости снимков [2].

Синтезирование изображений выполняют в основном при дешифрировании зональных снимков. Некоторая совокупность таких снимков более информативна, чем один широкозональный снимок.

При многозональных аэро- и космических съемках яркость регистрируют в четырех и более зонах спектра электромагнитных излучений.

О необходимости использования зональных снимков вообще и получении синтезированных изображений в частности решают в случае, если цвет дешифрируемых объектов имеет решающее или хотя бы важное значение в опознавании (разделении) дешифрируемых объектов; в случае, когда дешифровочная задача на одиночных зональных снимках не решается; в случае, если соотношения уровней видеосигналов (оптических плотностей на фотоснимках) дешифрируемых объектов на зональных снимках окажутся различными [1].

Одновременный визуальный анализ, например, четырех полей на двух снимках вызывает определенные трудности в запоминании различий в оптических плотностях изображения этих полей. Анализ большего количества объектов на большем числе зональных снимков становится практически невозможным. Выход из положения - получение единого изображения, в котором сохраняется информация, содержащаяся в исходных зональных снимках. Для расширения кодовой шкалы исходные снимки окрашивают в различные цвета. Различным сочетаниям зональных яркостей соответствуют объекты определенных классов. Каждое сочетание на синтезированном изображении имеет свой условный цвет. Переход к условному цветовому кодированию позволяет естественные яркостные контрасты усилить контрастами цветовыми и таким путем повысить возможности и достоверность дешифрирования [8].

Идею синтезирования изображений используют также для объединения в едином изображении видеоинформации, получаемой в оптическом и радиодиапазонах (синергизм). Та же идея может быть использована и для совмещения разновременной видеоинформации с целью наблюдения развития динамических процессов, например эрозионных, оценки степени старения карт и др. Здесь возникает дополнительный процесс - приведение изображений к единому масштабу.

Для синтезирования использовали специализированные приборы - оптические синтезаторы. Это прецизионные, обычно четырехкамерные, проекторы с регистрацией результатов в масштабе синтезирования (примерно пятикратное увеличение исходных снимков) или с помощью фотокамеры, устанавливаемой на откидной консоли. Синтезирование выполняют с помощью компьютеров.

Квантование уровней видеосигналов - процесс разбиения диапазона уровней видеосигналов на несколько соприкасающихся интервалов с получением нового изображения, на котором отнесенные к каждому интервалу участки отображаются условным цветом или ахроматическим тоном. Необходимость этой процедуры обусловлена ограниченными возможностями зрительного аппарата человека в восприятии яркостных (тоновых) контрастов. Квантованию подвергают цифровые изображения, полученные с помощью нефотографических съемочных систем. Фотографические изображения предварительно подвергают построчной развертке (сканированию).

Квантование может быть равномерным и неравномерным. Равномерное квантование легко реализуемо. Обычно его применяют для разделения диапазона уровней видеосигналов на изображении объектов с плавно изменяющимися яркостными характеристиками на несколько равных ступеней. Такими объектами могут быть, например, сельскохозяйственные угодья с различной степенью смытости (выветренности) почвенного слоя, водные, подверженные загрязнению, объекты и т. п.

Неравномерное квантование (эвристическое) может быть использовано для выделения по яркости самих объектов, например полей пашни под различными культурами или лесов с разделением их по типам. Разумеется, при этом каждый выделяемый класс или качественно различающиеся части его должны иметь свой не перекрывающийся со смежными интервал уровней видеосигналов. При этом могут возникнуть межинтервальные слои видеосигналов, не относящиеся к дешифрируемым объектам [5].

Нужные параметры квантования (интервалы квантования и их уровень) определяет оператор по результатам фотометрирования эталонных (тестовых) изображений, дешифрированных с высокой степенью достоверности.

Частный случай квантования - процедура выделения на изображении изогелл - линий, соединяющих точки с равным уровнем видеосигналов. С помощью изогеллы удобно, например ограничить участки с недопустимым уровнем поражения чем-либо, например сброшенными в водоем загрязненными стоками, если это поражение привело к изменению яркости объекта в используемом при съемке спектральном интервале.

Примерные возможности выполнения процедуры квантования с использованием современных устройств ввода изображений: наименьший выделяемый интервал (в единицах оптической плотности) 0,03 на уровне 0,3, 0,07 на уровне 1,2 и 0,15 на уровне 1,8. В программу может быть включена процедура определения площадей выделенных эквиденситами участков изображения с уровнями видеосигналов, отнесенных к определенному кванту.

Квантованные изображения анализируют совместно с исходными, так как при осреднении уровней видеосигналов в интервалах квантования пропадает изображение деталей ландшафта.

Фильтрацию изображения выполняют с целью устранения с изображения избыточной информации, мешающей выполнению поставленной задачи. Например, изображение комьев земли на обнаруженных участках пашни усложняет разграничение разнотипных почв по их тону на снимках. В этом случае возникает задача устранения с изображения высокочастотной информации при сохранении интегральных тоновых контрастов дешифрируемых почв. К фильтрационным процедурам можно отнести также устранение шумов, например полосчатости изображений, полученных с помощью сканирующих съемочных систем, уменьшение смаза изображения и др.

Для выполнения фильтрационных процедур изготавливали специализированные электронные устройства, например когерентные оптические процессоры. В настоящее время эти задачи выполняют на компьютере с использованием специализированных программ.

Автоматизированный метод дешифрирования. Попытки создания систем, распознающих образы, ученые мира предпринимали еще в пятидесятые годы прошлого столетия. В последующие годы наука и техника в решении этой проблемы значительно продвинулась. Созданы эффективные быстродействующие автоматы считывания и обработки информации во многих отраслях науки, производства, криминалистики и др. В большинстве случаев в этих системах распознают объекты по детерминированным (не изменяющимся) признакам (форме, размеру, весу) или идентификация объектов и их характеристик по признакам статистическим, например при каллиграфической экспертизе. При дешифрировании аэро- и космических снимков могут также встречаться объекты с детерминированными признаками: самолеты, транспортные машины, типовые сооружения и т. п. Однако в большинстве случаев объекты, дешифрируемые в целях картографирования территорий, выполнения поисковых работ и различных инженерных изысканий, не обладают неизменными геометрическими и особенно яркостными характеристиками. К тому же во многих случаях при распознавании объектов, ситуаций используют косвенные дешифровочные признаки с решением сложных логических задач. Решение таких задач недоступно современной вычислительной технике, так как формализация косвенных признаков - процедура сложная, а в большинстве случаев пока и невозможная [9].

Очевидно, что в автоматизированных интерпретационных системах можно использовать только признаки, обладающие достаточно высокой информативностью (специфичностью и инвариантностью в пределах кадра и на других обрабатываемых снимках), а также удобно выражающиеся в цифровой форме. Такими признаками могут быть цвет (тоновая шкала ахроматических снимков недостаточно широка) и текстура изображения. Последний признак может быть использован при дешифрировании только объектов с достаточно стабильной текстурой, например лесов.

Информация о цвете может быть выражена дискретно через яркости в одной или нескольких узких спектральных зонах. Регистрируют зональные яркости с помощью многозональных съемочных систем [2].

При неизменной зональной яркости некоторого объекта А по всей его площади одномерный демаскирующий признак его может быть выражен вектором или координатой на оси яркостей. В другой зоне спектра признак того же объекта, в общем случае, будет иным.

Признаки другого объекта В в тех же зонах спектра могут отличаться от признаков объекта А, но могут оказаться и неотличимыми. Очевидно, что для разделения этих объектов следует использовать снимок, полученный в спектральной зоне 2. Но если возникнет необходимость в дешифрировании еще и третьего объекта С, признак которого в зоне 2 будет тем же, что и у объекта А (или В), то задача разделения всех объектов при индивидуальном анализе этих снимков становится неразрешимой.

Выход из этого положения заключается в совместном анализе обоих снимков. Признаки при этом становятся двухмерными.

На практике дешифрируемых объектов может быть больше. Более сложной может оказаться и ситуация с яркостными зональными контрастами этих объектов.

Поэтому появляется необходимость в увеличении разномерности признаков путем привлечения к анализу снимков, полученных в большем количестве спектральных зон. Обозначим число одновременно используемых зональных снимков буквой N. В аналитическом варианте решения интерпретационной задачи размерность признаков может быть любой. Но одновременно - экспериментально установлено, что использование более чем трехмерных признаков не дает заметного повышения достоверности результатов автоматизированного дешифрирования, если выбор для обработки зональных снимков близок к оптимальному.

Следует подчеркнуть, что реальных природных объектов с неизменными спектральными яркостными по всей площади их простирания характеристиками не бывает.

Автоматический метод дешифрирования. Общая теория метода автоматического цифрового дешифрирования разработана на основе теории распознавания образов, причем терминология описания приближена к терминологии, используемой в теории распознавания образов.

Теория метода предусматривает предварительное обучение автомата. Предполагается, что после предварительного обучения автомат будет выполнять топографическое дешифрирование.

Разработанная теория реализована для простых случаев дешифрирования (изображений мало и они имеют признаки, которые четко разделяют эти изображения), но не обеспечивает автоматического дешифрирования всего многообразия изображений объектов местности. Оператор же успешно решает проблему топографического дешифрирования, хотя не может сам определять статистические и вероятностные признаки, он может опознавать ограниченное количество изображений при использовании ограниченного количества признаков [2].

Решение данных задач заключается в обнаружении и распознавании объектов, подлежащих дешифрированию, на основе получения информации о них. Информация об объектах может быть получена за счет регистрации их демаскирующих признаков.

Рисунок 4 - Основы автоматического дешифрования

Таким образом, основными задачами являются:

·при кадастровом дешифрировании - обеспечение информации о землях и объектах в целях создания кадастровых карт;

·при дешифрировании снимков населенных пунктов для целей кадастра и инвентаризации земель - обеспечение информацией, необходимой для создания базовых планов состояния и использования земель, геонформационных систем, информационных земельно-кадастровых баз данных;

·при дешифрировании снимков урбанизированных территорий - распознавание и отображение видимых объектов города в специальных условных знаках.

. ИНФОРМАЦИОННЫЕ ВОЗМОЖНОСТИ ДЕМАСКИРУЮЩИХ ПРИЗНАКОВ

.1 Классификация демаскирующих признаков

Основная задача дешифрирования - опознавание объектов (явлений, процессов) на изображении и определение их характеристик. Суть решения этой задачи существенно отличается от натурных обследований тех же объектов. Основное отличие заключается в ракурсе наблюдения - при натурном обследовании исполнитель рассматривает объекты «сбоку», с высоты своего роста; аэро- или космические съемки местности выполняют «сверху» и, в большинстве случаев, при отвесном направлении оптической оси кадровой съемочной системы. Поэтому дешифровщик, анализируя снимки, должен трансформировать сложившиеся представления о геометрии изучаемых объектов. Это, даже при сравнительно небольшом опыте работы со снимками, не вызывает существенных трудностей при их дешифрировании [2].

Среди множества признаков, присущих конкретному объекту, существуют признаки, которые позволяют обнаруживать его среди других похожих объектов и распознавать его принадлежность, назначение, функции, свойства, особенности и характеристики.

Признаки, позволяющие отличить один объект от другого, называются демаскирующими. Демаскирующие признаки объекта составляют часть его признаков, а значения их отличаются от значений соответствующих признаков других объектов. Классификация признаков по различным основаниям дана на рис. 5.

Демаскирующие признаки объекта описывают его различные состояния, характеристики и свойства. По состоянию объектов они разделяются на опознавательные признаки и признаки деятельности. Опознавательные признаки описывают объекты в статическом состоянии: его назначение, принадлежность, параметры. Признаки деятельности характеризуют этапы и режимы функционирования объектов, например, этап создания новой продукции: научные исследования, подготовка к производству, изготовление новой продукции, ее испытания и т.п.

Рисунок 5 - Классификация демаскирующих признаков

Все признаки по характеру проявления можно разделить на 3 группы: внешнего вида (видовые демаскирующие признаки); признаки излучений (сигнальные демаскирующие признаки); материально - вещественные признаки. К видовым признакам относятся форма объекта, его размеры, детали объекта, тон, цвет, структура его поверхности и т. п.

.2 Информационные возможности демаскирующих признаков

Видовые демаскирующие признаки описывают внешний вид объекта. Они объективно ему присущи, но выявляются в результате анализа внешнего вида модели (изображения) объекта на экране оптического приемника (сетчатки глаза человека, фотоснимке, экрана телевизионного приемника, прибора ночного видения и т. д.). Так как модель в общем случае отличается от оригинала, то состав и значения видовых демаскирующих признаков зависят не только от объекта, но и от условий наблюдения и характеристик оптического приемника. Наибольшее количество информативных видовых демаскирующих признаков добывается при визуально-оптическом наблюдении объектов в видимом диапазоне.

Однако видимый свет как носитель информации характеризуется следующими свойствами: наблюдение возможно, как правило, днем или при наличии мощного внешнего источника света; сильная зависимость условий наблюдения от состояния атмосферы, климатических и погодных условий; малая проникающая способность световых лучей в видимом диапазоне, что облегчает задачу защиты информации о видовых признаках объекта [11].

Для опознавания объектов на снимках используют геометрические и оптические характеристики этих объектов - прямые демаскирующие признаки: фотометрические и геометрические характеристики объектов (форма, размеры объекта, цвет, яркость, рисунок и детали его поверхности); тени, дым, пыль, выброшенный грунт, следы на грунте, снеге, воде; характеристики и расположение элементов группового (сложного) объекта; расположение защищаемого объекта относительно других известных объектов.

Геометрические характеристики объектов образуют наиболее устойчивую и информативную информационную структуру, так как они присущи объекту и относятся к прямым признакам. Размеры объекта наблюдения определяются по максимальному и минимальному линейным размерам, площади и периметра проекции объекта и его тени на плоскость, перпендикулярную к линии визирования (наблюдения), высоте объекта и др.

Форма - один из основных демаскирующих признаков, в большинстве случаев является достаточным признаком для разделения объектов природного и антропогенного происхождения. Объекты, созданные человеком, как правило, отличаются правильностью конфигурации. Так, любые здания и сооружения имеют обычно правильные геометрические формы. То же можно сказать о каналах, шоссейных и железных дорогах, парках и скверах, пахотных и культурных кормовых угодьях и других объектах. Проявление определенной «геометричности» искусственных объектов наблюдается даже при преднамеренном стремлении специалистов придать проектируемым объектам свободные естественные формы [2].

На плановых снимках, полученных камерой с узкоугольным объективом, видна форма возвышающихся объектов в плане. С увеличением угла поля зрения объектива и по мере приближения изображения этих объектов к краю кадра начинает отображаться их форма по высоте. Общие очертания изображения возвышающихся объектов будут изменяться.

Форма не возвышающихся над земной поверхностью объектов, например полей пашни, изменяется в зависимости от рельефа местности (величины и направления наклона поля относительно центра проекции) и их удаленности от точки надира. На плановом снимке перспективные искажения формы объектов визуально не воспринимаются.

Размеры дешифрируемых объектов в большинстве случаев, оценивают относительно. Об относительной высоте объектов судят непосредственно по их изображению на краях снимков, полученных с помощью широкоугольных съемочных систем. О размерах, а также и о форме по высоте можно судить по падающим от объектов теням. Разумеется, площадка, на которую падает тень, должна быть горизонтальной [10].

Размеры приобретают значение основного демаскирующего признака для объектов примерно одинаковой формы.

Детали объектов, их количество, характер расположения дают представление о сложном объекте и позволяют отличить его от подобных по форме.

Тени объектов возникают в условиях прямого солнечного освещения и являются важными демаскирующими признаками. По тени легче судить о форме и высоте объекта. Некоторые объекты (например, линии электропередач, антенные мачты, ограждения и т. д.) часто распознают только по тени. Различают два вида тени: собственную, которая ложится на поверхность самого объекта в зависимости от его формы, и падающую, отбрасываемую объектом на фон или поверхность других объектов. По падающей тени можно обнаружить объект, определить его боковые размеры, высоту, а также в ряде случаев и форму.

Тон изображения является функцией яркости объекта в пределах спектральной чувствительности приемника излучений съемочной системы. Тон оценивают визуально путем отнесения его интенсивности к определенной ступени нестандартизированной ахроматической шкалы, например тон светлый, светло-серый, серый и т. д. Число ступеней определяется порогом световой чувствительности зрительного аппарата человека.

Значимость тона изображения в дешифровочном процессе довольно противоречива. С одной стороны, именно непостоянство тона формирует изображение - изменение тона связано с изменением формы некоторого объекта, его свойств, состояния или с появлением иного объекта. При правильно выбранных спектральной чувствительности приемника излучения съемочной системы (при фотосъемке - типа аэропленки и светофильтра) и условиях съемки на снимках хорошо разделяются по тону участки обнаженных почв с различным содержанием гумуса, локальные изменения их увлажненности, эродированности, засоленности и др [12].

С другой стороны, этот признак не обладает достаточной специфичностью и инвариантностью. Одинаковый тон могут иметь на снимке совершенно разные объекты, например поверхность водоемов и чистых сенокосов. Наряду с этим важнейший объект дешифрирования при создании кадастровых планов и карт - пашня на снимке может изобразиться любым тоном в зависимости от ее состояния (вспаханная, боронованная, сухая, влажная и др.) и времени съемки, а также от вида культур, фазы их развития на занятых полях.

Тон изображения объектов одного класса может существенно изменяться в пределах кадра и на перекрывающихся снимках вследствие неортотропности их поверхности, различной спектральной яркости компонентов полихроматических геосистем и других факторов.

Важнейшим свойством поверхности объекта, определяющим его цвет и яркость, является коэффициент отражения поверхности на различных частотах: в видимом, инфракрасном и радиодиапазоне.

Объекты по-разному отражают падающие на них лучи света. Отражательные свойства объектов однозначно определяются спектральным или интегральным коэффициентом яркости в сочетании с индикатрисой отражения (рассеяния). Индикатриса отражения характеризует распределение отраженного излучения в пространстве.

Яркость оценивается спектральным и интегральным коэффициентами. Интегральный коэффициент яркости или просто коэффициент яркости определяется в результате усреднения коэффициентов яркости для сравнительно широкого интервала длин волн.

Графики спектральных коэффициентов яркости различных типов объектов различаются конфигурацией и положением максимума, что используется для различения объектов. Например, коэффициенты отражения растительности в инфракрасном диапазоне в несколько раз выше, чем в видимом, а коэффициенты отражения искусственных покрытий заметно не отличаются. Например, коэффициент отражения от листвы летом в ближнем инфракрасном в 3-5 выше, чем в видимом, а от бетонных и асфальтовых покрытий изменяется незначительно. Кроме того, при оценке излучений в инфракрасном диапазоне необходимо учитывать теплопроводность материалов объектов наблюдения. Нагреваясь от солнечных лучей, они к отраженному свету добавляют повышающуюся с ростом температуры долю собственных излучений. В диапазоне выше трех мкм мощность собственного теплового излучения объекта может превышать мощность отраженного им света [2].

Цвет изображения - более информативный признак, чем тон черно-белого изображения. Хроматическая чувствительность зрительного аппарата человека, примерно на два порядка выше, чем ахроматическая. Использование псевдоцветных изображений (спектрозональных, синтезированных) существенно повышает достоверность решения некоторых дешифровочных задач за счет создания искусственных цветовых контрастов. Но одновременно в ряде случаев использование более дорогих цветных снимков не дает заметного преимущества в достоверности решения дешифровочных задач. К таким задачам можно отнести, например, дешифрирование сельскохозяйственных угодий. Цвет при их распознавании не имеет существенного значения. Необходимые топографические объекты, дешифрируемые при этом, достаточно надежно опознаются и характеризуются по черно-белым снимкам.

Рассмотренные ранее факторы, обусловливающие непостоянство тона изображения, примерно так же влияют и на изменчивость цвета изображения в полости кадра. Поэтому при решении дешифровочных задач, в которых тон или цвет изображения имеют большое значение, особое внимание должно быть обращено на некоторые параметры используемой для съемки съемочной системы.

Текстура изображения - характер распределения оптической плотности по полю изображения объекта на снимке. Через текстуру передаются структурные особенности объекта (форма, размер и взаимное положение слагающих объект или образующих его поверхность элементов и их яркость). Например, текстура массива леса образуется изображением на снимках крон отдельных деревьев, а при высоком разрешении съемочной системы и укрупнении масштаба съемки - изображением также элементов крон (ветвей или даже листьев); текстура чистой пашни формируется отображением пахотных борозд или отдельных комьев [10].

По мере уменьшения масштаба съемки текстура создается более крупными элементами местности, например отдельными полями пашни.

В формировании текстуры значительное значение имеют собственные и падающие тени. Текстура является признаком, производным от совокупности рассмотренных ранее признаков. Ее иногда относят к группе комплексных признаков.

При визуальном дешифрировании текстура достаточно описывается одним-двумя прилагательными, например линейчатая, губчатая, радиально-струйчатая.

Текстура относится к наиболее информативным признакам. Именно по текстуре человек безошибочно опознает леса, сады, населенные пункты и многие другие объекты. Для перечисленных объектов текстура сравнительно устойчива во времени. Текстура изображения пашни может существенно меняться в течение съемочного сезона, так как после вспашки, боронования, всходов рядовых посевов, смыкания растений, уборки урожая структура поверхности преобразуется. Кроме того, на текстуру пашни и даже таких устойчивых по структуре объектов, как леса, сады, виноградники, будет заметно влиять положение солнца в момент съемки.

В зависимости от фактуры поверхности различают направленное (зеркальное), рассеянное (диффузное) и смешанное отражение. Граница между ними условная и определяется соотношением величин неровностей поверхности и длины падающей волны. Поверхность считается зеркальной, если отношение среднеквадратичное значение высоты неровностей h к длине волны l менее единицы, шероховатой, если более двух. Следовательно, шероховатая поверхность в видимом свете может в ИК-диапазоне выглядеть как зеркальная. Диффузное отражение присуще мелкоструктурным элементам, таким как песок, свежевыпавший снег. Большинство объектов земной поверхности имеют смешанную индикатрису отражения, которая мало отличается от диффузной.

Любые тела излучают электромагнитные волны в широком диапазоне частот. В ближней (0.75 - 1.3 мкм) и средней (1.2 - 3.0 мкм) зонах ИК-излучения мощность теплового (собственного) излучения объектов значительно меньше мощности отраженного от объекта потока солнечной энергии. С переходом в длинноволновую область ИК-диапазона мощность собственного излучения объектов становится соизмеримой с мощностью отраженной солнечной энергии. Чем выше температура тела, тем больше излучаемая энергия, а ее максимум смещается в сторону более коротких волн. Поэтому нагретые тела с помощью соответствующих приборов могут наблюдаться в полной, с точки зрения человека-наблюдателя, темноте, как в инфракрасном, так и радиодиапазонах. В связи с этими свойствами в инфракрасном диапазоне появляется дополнительный признак - температура различных участков поверхности объекта по отношению к температуре фона [10].

Зрительный анализатор человека не воспринимает лучи в инфракрасном диапазоне. Поэтому видовые демаскирующие признаки в этом диапазоне добываются с помощью специальных приборов (ночного видения, тепловизоров), имеющих худшее разрешение, чем глаз человека. Кроме того, видимое изображение на экранах этих приборов одноцветное. Но изображение в инфракрасном диапазоне может быть получено при малой освещенности объекта или даже в полной темноте. В этом случае к демаскирующим признакам добавляются признаки, характеризующие температуру поверхности объекта. В общем случае к демаскирующим признакам объекта в ИК-диапазоне относятся следующие: фотометрические и геометрические характеристики внешнего вида объекта (форма, размеры, яркость, детали); температура поверхности.

Максимальное количество признаков внешнего вида объекта обеспечивают в видимом оптическом диапазоне фотоприемники с высоким разрешением, к которым в первую очередь относится глаз человека. В инфракрасном диапазоне количество и качество признаков уменьшается. Отсутствует такой информативный признак как цвет. С увеличением длины волны ухудшается разрешение характеристик признака, например, точность оценки размеров объекта и его деталей. Однако в инфракрасном и радиодиапазонах проявляются дополнительные признаки, которые в видимом диапазоне отсутствуют [10].

Таким образом, видовые демаскирующие признаки объектов и окружающей среды (фона) образуют признаковые структуры, отличающиеся в различных диапазонах длин электромагнитной волны. Эти свойства видовых демаскирующих признаков используются при комплексном добывании информации об объектах.

Во многих случаях прямые признаки не могут обеспечить достаточную достоверность результатов дешифрирования. Уровень достоверности может быть повышен за счет привлечения к анализу дополнительной информации - путем использования, например, известных взаимосвязей и взаимообусловленностей элементов ландшафта. Эти признаки принято называть косвенными. Их можно разделить на три основные группы: природные, антропогенные и природно-антропогенные.

Природные косвенные признаки выражают взаимосвязи и взаимообусловленности естественных объектов и явлений. Их называют также ландшафтными. Такими признаками могут быть, например, зависимость вида естественного травяного покрова от типа почвы, ее засоленности, кислотности и увлажненности или связь рельефа с геологическим строением местности и их совместная роль в почвообразовательном процессе. В некоторых случаях по косвенным признакам дешифрируют объекты, вообще не изобразившиеся на снимках, например, по изобразившимся растениям ведут разведку залежей грунтовых вод в аридной зоне, полезных ископаемых.

Объекты, с помощью которых ведется поиск и определение характеристик не дешифрирующихся напрямую объектов, называют индикаторами, а дешифрирование индикационным. Такое дешифрирование может быть многоэтапным, когда непосредственные индикаторы опознаются с помощью вспомогательных индикаторов

С помощью антропогенных косвенных признаков опознают объекты, созданные человеком. При этом используют функциональные связи между объектами, их положение в общем комплексе сооружений, зональную специфику организации территорий, коммуникационное обеспечение объектов и др. Например, животноводческая ферма сельскохозяйственного предприятия может быть опознана по совокупности основных и вспомогательных построек, внутренней планировке территории, интенсивно выбитым прогонам, положению дешифрируемого комплекса относительно жилой зоны, характеру обслуживающей дорожной сети. Каждое из сооружений комплекса отдельно, вне связи с прочими, не дешифрируется.

К природно-антропогенным косвенным признакам относятся: зависимость хозяйственной деятельности человека от определенных условий, проявление свойств природных объектов в деятельности человека и др. Например, по размещению некоторых видов культур можно составить суждение о свойствах почв, их увлажненности; по изменению влажности поверхности и соответствующему изменению мощности травостоя, по регулярно расположенным линиям дешифрируют элементы закрытой осушительной системы.

Сигнальные демаскирующие признаки. Понятие «сигнал» достаточно емкое и в общем случае обозначает условный знак для передачи на расстояние каких-нибудь сведений или сообщений. В данных материалах под сигналом понимается носитель в виде поля или потока микрочастиц (электронов) с конфиденциальной информацией. Состав естественных и искусственных сигналов многообразен. К ним относятся собственные (обусловленные тепловым движением электронов, световые, радиоактивные) излучения объектов, отраженные от объектов поля и излучения, а также разнообразные созданные человеком источники электромагнитных излучений (радио и электрические устройства, приборы, средства). Последние могут рассматриваться как самостоятельные объекты защиты, например радиостанции, так и входить в состав других объектов.

Демаскирующими признаками сигналов различной физической природы являются формы движения материи (движение элементарных частиц и полей (акустического, электрического, магнитного, электромагнитного), изменения в структуре макроскопических тел, вызванных колебаниями вибрацией). Вид информации, содержащейся в сигнале, изменяет его демаскирующие признаки: форму, ширину спектра, частотный и динамический диапазон. Например, стандартный речевой сигнал, передаваемый по телефонной линии, имеет ширину спектра 300 - 3400 Гц, звуковой - 16 - 20000 Гц, телевизионный - 8 МГц и т. д.

Статистические характеристики проявления сигналов во времени могут представлять собой достаточно информативные демаскирующие признаки источников, прежде всего, об их принадлежности и режимах функционирования.

Можно сделать вывод о том, что демаскирующие признаки обычно используют совокупно, без разделения их на какие-либо группы. Изображение на дешифрируемом участке воспринимается человеком как единое целое - модель местности. На основе результатов анализа модели создается предварительная гипотеза о сути объекта (явления). Правильность подтверждается или отвергается (иногда многократно) с помощью дополнительных признаков.

Следует отметить, что с уменьшением масштаба дешифрируемых материалов в силу естественной оптической генерализации изображенных на них природных объектов и явлений уменьшается значение прямых демаскирующих признаков и возрастает значение косвенных.

.3 Объекты дешифрирования застроенных территорий и их демаскирующие признаки

Дешифрирование снимков застроенных территорий - процесс обнаружения, распознавания и изображения в специальных условных знаках видимых объектов города (построек, земельных угодий, водных объектов, зеленых насаждений) [5].

В границах сельских населенных пунктов и городов подлежат дешифрированию следующие объекты:

строения, здания и сооружения;

-улицы, площади, проспекты, дороги, проезды, переулки, парки, лесопарки, бульвары, скверы, набережные, пляжи и др.;

-земли под промышленной, коммунальной и складской застройкой; транспорта, связи, инженерных коммуникаций (железные и автомобильные дороги, речной транспорт; земли под трубопроводами, линиями электропередач, под сооружениями радиовещания и телевидения и т. д.);

-земли природно-заповедного, природоохранного, оздоровительного, рекреационного и историко-культурного назначения;

-земли водного фонда (занятые водными объектами: реками, озерами, водохранилищами, водоохранными зонами, гидротехническими и водохозяйственными сооружениями и другими водными объектами);

-земли сельскохозяйственного назначения (сельскохозяйственные угодья, земли акционерных и фермерских хозяйств, колхозов, муниципальных и подсобных хозяйств, земли под коллективными садами и огородами и т. п.); запаса;

-земли военных объектов, режимных зон и иные земли; прочие земли (карьеры, копаные места, каменистые территории и т. п.).

Классификатор объектов может быть расширен или уменьшен в зависимости от поставленной задачи (Приложение В).

Дешифрирование снимков выполняется по прямым и косвенным демаскирующим признакам и, как правило, с привлечением дополнительных картографических материалов.

При дешифрировании снимков сверхвысокого разрешения, которым присуща большая детализация изображения, может эффективно использоваться визуальное дешифрирование по эталонам, когда для успешного решения задач дешифрирования используют тестовые фрагменты снимков, на которых показан пример изображения определенного объекта [5].

Здания и сооружения отличаются геометрически правильной формой. Здания отображаются различными оттенками - от серого до почти белого тона. На панхроматических снимках сверхвысокого разрешения можно выделить четко определенную квартальную структуру, т.е. массивы строений, расположенные определенным образом и разделенные полотнами улиц и дорог различного ранга. Кварталы образуют ячеистую правильную структуру. Форма зданий - геометрически правильная, различная, в зависимости от типа домов. Для некоторых домов можно определить этажность и количество подъездов. Возле многих домов видны гаражи-ракушки и просто гаражи. Возле многих строений видны участки зеленых насаждений - пятна с неровными краями. Строящиеся здания отличаются более серым тоном и меньшей контрастностью изображения.

Рисунок 6 - Вид зданий на космическом снимке

Фонтаны распознаются по форме и структуре, содержащей водные объекты и инженерные конструкции. Церкви распознаются по структурным признакам - основное здание характерной формы, наличие двора и вспомогательных сооружений.

Кладбища могут быть определены по правильной форме, наличию четко выраженных границ и главного входа. В ряде случаев этих признаков бывает недостаточно и для идентификации объекта, как кладбище, необходимо привлечение дополнительной информации рисунок.

Дешифрирование водных станций и лодочных пристаней не вызывает затруднений. Они уверенно дешифрируются по характерной структуре и приуроченности к водным объектам [1].

Рисунок 7 - Вид реки на космическом снимке

Оборудованные пляжи распознаются по тону - от светло-серого до белого, приуроченности к водным объектам и четким контурам границ.

Водоочистные сооружения уверенно распознаются по геометрически правильной круглой форме, темному тону водной поверхности и характерной структуре.

Трубы дымоходные котельных установок дешифрируются по форме и наличию падающей тени. Здания фабрик, заводов отображаются различными оттенками серого тона. Характеризуются геометрически правильной прямоугольной формой.

Промышленные сооружения отличаются от жилых зданий более крупными размерами.

Основными демаскирующими признаками бензоколонок являются приуроченность к автомобильным дорогам и характерная структура (техническое здание, заправочная площадка, подъездные пути). Теплофикационные трубопроводы наземные на опорах на снимках отображаются в виде светлых прямых линий с характерными прямоугольными изломами.

ЛЭП на незастроенных территориях определяются по полосам отчуждения в виде прямых линий с резкими поворотами. Трубопроводы над железными дорогами представляют собой светлые прямые линии, приуроченные к железным дорогам.

Рисунок 8 - Вид ЛЭП на космическом снимке

Основным демаскирующим признаком оранжерей и теплиц является четко просматриваемая на снимках линейная структура (текстура объекта).

Огороды дешифрируются по геометрически правильной прямоугольной форме и четким очертаниям границ. Отличаются от пашен более маленькими размерами.

Пашни определяются по геометрически правильной форме, линейной текстуре и приуроченности к автомобильным дорогам. Основным демаскирующим признаком фруктовых садов является структура объекта- упорядоченное расположение деревьев, наличие троп.

Рисунок 9 - Вид пашен на космическом снимке

Железные дороги дешифрируются по форме - широкие серые линии без резких поворотов (рис. 10).

Рисунок 10- Вид железных дорог на космическом снимке

По снимкам сверхвысокого разрешения можно выявить различные классы автомобильных дорог: улицы; шоссе; автострады; проселочные (грунтовые) дороги; тропинки. Автомобильные дороги представляют собой протяженные линейные объекты. Они имеют различную толщину и отображаются различными оттенками - от темно-серого до почти белого цвета, в зависимости от типа дороги.

Форма дорог - прямолинейные объекты со сглаженными, плавными, округлыми поворотами. На снимках сверхвысокого разрешения хорошо видны развязки дорог, разворотные круги.

Шоссе - это широкие протяженные линии. Автострады отличаются от шоссе большей толщиной. На них видны более темные иногда более светлые, чем сами автострады линии разделительной полосы.

Грунтовые дороги - тонкие, достаточно извилистые линии светло-серого тона, приуроченные к незастроенным территориям (полям, пустырям и т.д.). Улицы отличаются прежде всего приуроченностью к массивам сооружений. Тропинки - тонкие извилистые линии: как правило, более светлого тона, чем фон [5] (рис 11).

Рисунок 11- Вид улиц и тропинок на космическом снимке

На дорогах хорошо виден автомобильный транспорт. Основные дороги делят местность на различные области кварталов и растительности.

Основными демаскирующими признаками инженерных и спортивных сооружений являются форма и структура объекта

Объекты гидрографии на панхроматических снимках характеризуются достаточно четкими очертаниями границ. Тон изображения водоемов определяется оптическими условиями съемки, глубиной водоема, цветом его дна, прозрачностью воды, волнением и водной растительностью. Глубоководные водоемы с темным грунтом дна имеют темный тон изображения. Мелководные объекты со светлым дном имеют более светлый тон. Мутность и волнение воды приводят к более светлому тону. Водохранилища и пруды отличают по перегораживающим русла плотинам, подходящим каналам.

На снимках сверхвысокого разрешения дешифрируются основные жизненные формы растительности: древесная, кустарниковая, полукустарниковая, кустарничковая, травянистая, степная, моховая и лишайниковая.

Тон или цвет изображения леса зависят от его видового состава и тона подстилающей поверхности, просвечивающей сквозь кроны. Хвойные леса характеризуются более темными тонами, чем лиственные и лиственничные. Сухостойные леса отличаются светлым тоном и тенями от отдельных деревьев. Вырубленные леса имеют геометрически правильные контуры.

Кустарниковая растительность определяется в основном по косвенным признакам, связанным с особенностями произрастания, размещения, расселения на конкретной территории [9].

Важное значение при дешифрировании растительности имеет расположение в рельефе. Именно этот признак часто позволяет разграничить разные виды, изображающиеся на снимке одинаковым тоном. Зоны древесной растительности занимают сравнительно большие по площади территории. Они имеют пятнистую текстуру и отображаются достаточно темным цветом. Редколесья отображаются серым тоном с пятнами деревьев более темного серого тона, которые имеют разный размер и расположены нерегулярно.

Молодые леса (поросль) выделяются меньшей зернистостью изображения, чем зрелые, меньшей высотой, ровным пологом. Их правильные контуры часто повторяют границы вырубок. Посадки леса размещаются правильными рядами с четкими геометрической формы границами. Лесные питомники внешне похожи на пашни и огороды; размещаются, как правило, вблизи дома лесника (видны постройки) [2].

Пустыри имеют равномерную однородную текстуру серого тона. Цвет фона пустырей отличается по густоте тона на различных участках отображаемой на снимке территории.

Таким образом, основными объектами при решении задач дешифрирования застроенных территорий являются: здания, строения, сооружения, земельные участки, улицы, площади, проспекты, дороги, инженерные коммуникации, водные объекты, земли сельскохозяйственного назначения и использования, земли военных объектов, режимных зон и иные земли. Информация о данных объектах может быть получена на основе регистрации видовых, сигнальных, вещественных, именных, прямых и косвенных признаков. Наибольшей информативностью обладают именные признаки объекта, однако получение данных признаков требует создания специализированных средств и приводит к необходимости использования большого количества регистрационной аппаратуры, так как именные признаки для объектов дешифрирования разнообразны.

С целью получения необходимой информации об объектах наиболее целесообразным способом является регистрация и комплексная обработка прямых и косвенных демаскирующих признаков.

3. Автоматизация процесса распознавания объектов застроенных территорий

.1 Перспективы автоматизации процесса дешифрирования

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.

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.

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.

На современном этапе ведутся разработки по автоматизации дешифрирования в направлениях:

а) отбора аэроснимков, обладающих нужной информацией, и преобразования их с целью улучшения изображения изучаемых объектов, для чего используются методы оптической, фотографической и электронной фильтрации, голографии, лазерного сканирования и др.;

б) распознавания объектов сопоставлением при помощи ЭВМ закодированных формы, размеров данного изображения и плотности фототона данного изображения и эталонного, что может быть эффективным только при стандартизованных условиях аэросъемки и обработки снимков.

В связи с этим ближайшие перспективы автоматизации дешифрирования связывают с применением так называемой многоканальной аэросъемки, позволяющей получать синхронные изображения местности в различных зонах спектра.

В настоящее время разработано большое число алгоритмов автоматизированного дешифрирования (классификации космических снимков), под которым понимается процесс разбиения пикселов изображения на классы, т.е. на однородные по некоторому критерию области [15]. Первичным признаком при классификации объектов космических снимков служит яркость пикселов в различных спектральных диапазонах съемки. В качестве вторичных признаков используется характерный размер, форма и текстура объектов. Полученное изображение называется тематической картой, на которой каждому цвету соответствует определенный класс объектов [16].

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.

.2 Методы автоматизированного дешифрирования

Использование многозональных снимков для распознавания объектов основано на различиях в их спектральной отражательной способности, следствием которых являются не одинаковые яркостные характеристики на зональных снимках.

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.

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. 12).

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.

Рисунок 12 - Пример выполнения автоматического выделения лесной растительности по панхроматическому снимку в модуле Feature Analyst под ArcGIS 9.3.

В 2012 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. 12).

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. 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.


Рисунок 13 - Выполнение автоматизированной классификации растительного покрова в модуле IMAGINE Objective

Анализ цифрового снимка осуществляется построчно, предварительно задаются значения пороговой величины, т.е. предельного расстояния от пиксела до центра кластера, и среднего квадратического отклонения.

В качестве центра первого кластера выбирается первый элемент строки. Далее последовательно вычисляется евклидово расстояние от этого центра до следующего пиксела в строке.

Это расстояние сравнивается с выбранным порогом. Если расстояние от анализируемого пиксела до центра первого кластера меньше порогового значения, то пиксел относится к сформированному кластеру, центр которого перевычисляется, т.е. вычисляется среднее из двух значений. В противном случае формируется новый кластер, а второй пиксел становится его центром. Аналогично рассматривается каждый следующий пиксел в строке.

Рисунок 14 - Выделение зданий по космическому снимку в программной среде Definiens

После просмотра всей первой строки выполняется анализ следующей. На изображении, полученном в результате кластеризации, количество выделенных кластеров зависит от выбора порогового значения: чем оно меньше, тем больше кластеров будет образовано [17].

Часто неконтролируемая классификация выполняется в два этапа: на первом используется алгоритм быстрого выделения кластеров, а на втором - итерационный алгоритм последовательной кластеризации. В отличие от первого алгоритма он требует задания числа кластеров, значений их центров или числа итераций. Первый шаг работы алгоритма заключается в отнесении пикселов изображения к одному из кластеров. В качестве критерия может быть взято минимальное расстояние до центра кластера. Вторым шагом является вычисление нового положения центра кластера с учетом отнесенных к нему пикселов. Задача считается решенной, если вычисленные координаты центров совпадут с заданными. В противном случае выполняется вторая итерация и снова вычисляется положение центров кластеров. Критериями качества кластеризации служат значения среднеквадратических отклонений расстояния от центра кластера до каждой включенной в него точки и сумма этих отклонений для всех кластеров. Процесс продолжается до достижения заданных значений числа кластеров или среднеквадратического отклонения или до выполнения заданного числа итераций [17].

Смысл контролируемой классификации заключается в отнесении каждого из пикселов снимка к определенному классу объектов на местности, которому соответствует некоторая область в пространстве признаков. Независимо от того, какой способ выбран для решения этой задачи, контролируемая классификация включает несколько этапов.

Первый этап заключается в определении, какие классы объектов будут выделены в результате выполнения всей процедуры. Это могут быть виды растительности, сельскохозяйственные культуры, породы леса, гидрографические объекты и т.д.

На втором этапе для каждого из классов объектов выбираются типичные для него пикселы, т.е. формируется обучающая выборка. Обязательным условием выполнения этой процедуры является наличие на снимке эталонов, т.е. фрагментов изображения, однозначно относящихся к своему классу объектов. Процедура создания обучающей выборки реализуется выбором в пределах изображения эталонного объекта участков в несколько пикселов. По отношению к целому снимку обучающая выборка должна составлять 1-5% всех пикселов, а количество пикселов, относящихся к одному классу, достаточно большим (обычно не меньше 20-30).

Третий этап - вычисление параметров, «спектрального образа» каждого из классов, сформированного в результате набора эталонных пикселов. Набор параметров зависит от алгоритма, который предполагается использовать для классификации[17].

При разработке алгоритмов контролируемой классификации используются два подхода: детерминированный и статистический.

Детерминированный подход применяется, когда классы объектов не пересекаются в пространстве признаков. Однако, природные объекты, как правило, неоднородны, а спектральные характеристики изучаемых объектов довольно близки и частично пересекаются (например, разных видов растительного покрова или почв). Поэтому широкое распространение получили методы классификации, основанные на статистическом подходе, которые позволяют учитывать вариации признаков и допускают отнесение пикселов к «чужим» классам, если частота их появления относительно мала.

Метод классификации по минимальному расстоянию - один из методов классификации, основанный на детерминированном подходе. Смысл метода заключается в отнесении пиксела к тому эталонному классу, евклидово расстояние до центра которого в пространстве признаков минимально. Этот способ целесообразно использовать при ограниченном числе классов в обучающей выборке.

Метод параллелепипедов заключается в отнесении пикселов изображения к эталонным классам. В качестве эталонных характеристик классов задаются некоторые интервалы значений яркости. Они выбираются в результате анализа гистограммы распределения яркости на изображении. В пространстве признаков интервалы значений яркости определяют замкнутую область, которая в зависимости от размерности поля признаков может иметь форму параллелограмма, параллелепипеда или гиперпараллелепипеда для четырех и более зон.

Метод максимального правдоподобия основан на статистическом подходе. Смысл этого метода сводится к определению вероятности попадания пиксела в тот или иной класс. В общем случае вероятностное распределение спектральных признаков, которыми характеризуется каждый класс, определяет возможность нахождения пиксела в любом месте пространства признаков. Но в обучающей выборке распределение значений яркости подчинено нормальному закону, поэтому вероятность быть отнесенными к «чужому» классу имеют не многие значения. Область признаков каждого класса в многомерном пространстве имеет форму эллипса (точнее, гиперэллипса), относительные размеры и ориентация которого характеризует распределение вероятности и определяется ковариационной матрицей. Среднее значение яркости этого класса в каждой из съемочных зон, т.е. центр класса, определяет положение эллипса в пространстве признаков. Следовательно, по обучающей выборке необходимо вычислить элементы ковариационной матрицы и центр каждого из классов, а затем проанализировать положение пикселов изображения.

В качестве критерия отнесения пиксела к данному классу используется значение расстояния Махаланобиса, зависящее от вектора средних значений яркости (положения центра) и ковариационной матрицы класса. Это расстояние сопоставляется с величиной порога, задаваемого исполнителем.

Отличительная особенность классификации по методу максимального правдоподобия заключается в том, что все пикселы относятся к тому или иному классу; отсутствуют неклассифицированные пикселы, что характерно для этого алгоритма, как и для алгоритма минимального расстояния.

Четвертый этап процедуры классификации - просмотр всего изображения и отнесение каждого пиксела к тому или иному классу. Результатом этого этапа является изображение, часто не вполне обоснованно называемое «картой классификации», а также таблица, в которой даны координаты пиксела и имя класса, к которому он отнесен [17].

Одной из перспективных возможностей изменения ситуации в области автоматизированного дешифрирования является разработка и внедрение технических и программно-технологических средств, основанных на использовании нейросетевых методов. Эти методы обеспечивают:

выполнение операций над целыми образами (например, над фрагментами изображений);

ассоциативный поиск информации; возможность нейрокомпьютера;

преимущественное использование логико-лингвистических моделей при формализации информации;

отсутствие необходимости внешнего программирования;

параллельный ввод и параллельную обработку информации.

.3 Процесс автоматизированного распознавания образов на основе нейросетевых методов

Получение информации о топографических объектах по материалам космических съемок выполняется на этапе дешифрирования снимков.

Традиционные методы автоматизированного дешифрирования позволяют повысить полноту дешифрирования изображений топографических объектов на 10-15% по сравнению с визуальными методами.

Низкая полнота автоматизированного дешифрирования вызвана многообразием топографических объектов, изменениями их отражательной способности, вызванными нестабильностью условий съемки и обработки исходных изображений, а также преобладанием в технологии дешифрирования снимков визуальных способов классификации и оконтуривания объектов [15].

Повысить полноту дешифрирования изображений топографических объектов, снизить временные затраты на дешифрирование позволит использование нейросетевых методов.

Искусственные нейронные сети представляют собой набор математических и алгоритмических методов для решения широкого круга задач [18].

В основу известных искусственных нейросетей положены следующие принципы работы нейронов человеческого мозга:

простота обрабатывающего элемента -нейрона;

использование в обработке информации большого числа нейронов;

глобальность связей (связь одного нейрона с большим числом других);

возможность изменения весов связей между нейронами;

параллельность обработки информации.

Широкую популярность искусственные нейронные сети приобрели благодаря способности сравнительно легко адаптироваться к требованиям различных практических приложений. Они реализуют одну из парадигм искусственного интеллекта - коннекционистскую, когда возможности сети полностью определяются ее топологией, а вместо характерного для традиционных электронно-вычислительных машин программирования используется обучение нейронной сети, сводящееся к настройке весовых коэффициентов межнейронных связей с целью оптимизации заданного критерия качества функционирования сети.

Присущие искусственным нейронным сетям нелинейность, адаптивность, потенциальная отказоустойчивость делают их универсальным средством обработки информации, особенно эффективным при решении трудноформализуемых задач распознавания образов, построения ассоциативной памяти, динамического управления и т.п. [18]

Существуют два подхода к созданию искусственных нейронных сетей - информационный и биологический.

В первом безразлично, какие механизмы лежат в основе функционирования искусственных нейронных сетей, достаточно, чтобы процессы обработки информации были аналогичны биологическим, во втором важно полное биоподобие, но в любом варианте необходимо детальное изучение работы биологических нервных клеток и сетей с точки зрения химии, физики, теории информации и синергетики.

С точки зрения обработки информации каждый нейрон можно считать своеобразным процессором, который суммирует с соответствующими весами сигналы от других нейронов, выполняет нелинейную обработку полученной суммы и формирует результирующий сигнал для передачи связанным с ним нейронам.

На основе принципов функционирования биологических нейронов были созданы различные математические модели. Основу большинства таких моделей составляет структура формального нейрона МакКаллока-Питтса (1943 г.), представленная на рис. 3.4, где компоненты входного вектора (х1, х2, …, хN) суммируются с учетом весов wij и сравниваются с пороговым значением wi0. Выходной сигнал формального нейрона yi определяется как

(1)

где в общем случае нелинейная функция преобразования f(ui) называется функцией активации.


Функция активации формального нейрона - это пороговая функция вида

(2)

хотя в принципе набор используемых в моделях нейронов f(u) достаточно разнообразен (табл. 1), поскольку их свойства, особенно непрерывность, оказывают значительное влияние на выбор способа обучения нейрона (подбор wij).

Таблица 1 - Функции активации нейронов

НазваниеФормулаОбласть значенийЛинейная(-¥, ¥)Полулинейная(0, ¥)Логистическая (сигмоидальная)(0, 1)Гиперболический тангенс (сигмоидальная)(-1, 1)Экспоненциальная(0, ¥)Синусоидальная(-1, 1)Сигмоидальная (рациональная)(-1, 1)Линейная с насыщением(-1, 1)Пороговая(0, 1)Модульная(0, ¥)Сигнатурная(-1, 1)Квадратичная(0, ¥)

Наиболее распространенными функциями активации являются пороговая, линейная (в том числе с насыщением) и сигмоидальные - логистическая и гиперболический тангенс (рис. 16).


Искусственная нейронная сеть представляет собой совокупность определенным образом соединенных между собой и с внешней средой нейронов трех типов - входных, выходных и промежуточных. С точки зрения топологии искусственных нейронных сетей различают:

1)полносвязные нейронные сети (рис. 9 а), где каждый нейрон передает свой выходной сигнал всем остальным, в том числе и самому себе, все входные сигналы подаются всем нейронам, а выходными сигналами могут быть отклики всех или некоторых нейронов после нескольких тактов функционирования сети;

2)слоистые или многослойные нейронные сети (рис. 9 б), в которых нейроны расположены в несколько слоев. Нейроны нулевого слоя служат для приема входных сигналов и передачи их через точки ветвления всем нейронам следующего (скрытого) слоя без обработки, 1-й слой осуществляет первичную обработку входных сигналов и формирует сигналы для 2-го слоя, который таким же образом формирует сигналы для 3-го и т.д. вплоть до последнего слоя, который образует выход нейронной сети.

Среди многослойных нейронных сетей выделяют, в свою очередь, следующие типы:

а) нейронные сети прямого распространения, в которых отсутствуют обратные связи, т.е. подача выходных сигналов любого слоя на входы нейронов этого же или любого предыдущего слоя.

б) рекуррентные нейронные сети, где указанные обратные связи присутствуют в том или ином варианте;

3)слабосвязные нейронные сети, где нейроны располагаются в узлах прямоугольной или гексагональной решетки (рис. 17 в,г) [6].


В настоящее время искусственные нейросети способны обучаться на опыте, основанном на знаниях, выполнять абстрактные «умозаключения» и совершать ошибки, характерные для человеческой мысли. Применение нейросетевых методов внесет существенные изменения в методологию дешифрирования.

На рис. 18 показан алгоритм автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

Сущность автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов заключается в следующем. Исходные данные для автоматизированного дешифрирования должны быть представлены в цифровой форме. В том случае, если требуется выполнить дешифрирование изображений топографических объектов по фотоснимкам, необходимо преобразовать их в цифровую форму.

Перед автоматизированным дешифрированием выполняются подготовительные работы, которые включают изучение редакционно-технических указаний, подготовку исходных данных и материалов.

Затем выполняется формирование банка данных, которое включает следующие основные этапы: подготовительные работы; предварительную обработку изображений; формирование баз знаний и эталонных изображений; обучение нейросетевых блоков классификации и распознавания изображений топографических объектов; контроль нейросетевых обучения; запись результатов обучения в базу подсистемы обучения нейросетевых; ведение журнала эталонов.

Подготовительные работы включают разработку редакционно-технических указаний, сбор материалов и анализ их качества, подготовку исходных материалов для эталонирования. В ходе предварительной обработки изображений выполняется их фотометрическая нормализация и фильтрация шумов.

База знаний формируется в соответствии с классификатором дешифровочных признаков и содержит структурированный перечень топографических объектов согласно классификатору топографической информации, описание прямых и косвенных дешифровочных признаков и характеристики топографических объектов.

Рисунок 18 - Алгоритм автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов

База эталонных изображений создается на топографические объекты и их возможные сочетания с перечислением их различных свойств.

Эталонные изображения должны быть получены в пределах установленных диапазонов природной изменчивости и разрешения снимка.

Обучение нейросетей выполняется для блоков классификации изображений топографических объектов; автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы; автоматизированного распознавания изображений площадных объектов растительного покрова и грунтов [15].

Чтобы искусственная нейронная сеть с предварительно выбранной начальной архитектурой могла эффективно функционировать, ее необходимо обучить, т.е. определить оптимальные значения величин связей wij, обычно путем минимизации некоторого функционала качества (функции ошибки) в процессе итерационной процедуры, где количество итераций t может быть весьма значительным (t=103…108). После выбора совокупности обучающих примеров и способа вычисления обучение искусственной нейронной сети превращается в задачу многомерной оптимизации, для решения которой могут быть использованы следующие методы:

-локальной оптимизации с вычислением частных производных 1-го и 2-го порядков (градиентные методы);

-глобальной (стохастической) оптимизации (методы случайного поиска и алгоритмы искусственного отбора) [18].

В качестве исходных данных для обучения нейросетевого классификатора используется серия примеров, составляющих обучающую выборку. Она формируется случайным образом из фрагментов эталонных изображений компактных, линейных и площадных топографических объектов, находящихся в базе эталонных изображений.

Обучение блока распознавания изображений площадных объектов выполняется раздельно по двум нейросетям. Для обучения используются известные фрагменты изображений площадных объектов растительного покрова и грунтов. Для каждого фрагмента производится определение полного набора аналитических дешифровочных признаков (АДП), выделение «значимых аналитических дешифровочных признаков» и подача на вход распознающей нейросети для ее обучения.

Контроль нейросетевого обучения выполняется по эталонным изображениям топографических объектов, не участвующим в процессе обучения. Контрольные участки изображений объектов подбираются в период подготовительных работ. В группу контрольных участков включаются изображения топографических объектов, достоверно опознанных визуально или с использованием качественных достоверных картографических материалов. Запись результатов обучения в базу обучения нейросетей выполняется для накопления дешифровочных данных и их использования при дешифрировании ландшафтов-аналогов. Ведение журнала эталонов необходимо для документирования, хранения, редактирования и контроля данных о созданных эталонах дешифрирования.

После выполнения подготовительных работ и формирования банка данных выполняется предварительная обработка цифровых изображений объектов, а затем - их классификация. В качестве исходных данных для классификации служат изображения топографических объектов, представленные в виде матрицы оптических плотностей. Результатом классификации является разделение изображений по классам компактных, линейных и площадных объектов.

Затем выполняется автоматизированное оконтуривание классифицированных объектов. В результате оконтуривания формируется метрическая информация на каждый объект.

Распознавание изображений топографических объектов выполняется в двух режимах:

·автоматизированном распознавании изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети;

·автоматизированном распознавании изображений площадных объектов.

Во время выполнения первого режима осуществляется распознавание большей части компактных и линейных топографических объектов, значительная часть изображений которых практически не поддается формализованному описанию. Повышение полноты и вероятности распознавания по сравнению с традиционными подходами обеспечивается использованием на этапе принятия дешифровочного решения нейросетей.

Автоматизированное распознавание изображений площадных объектов выполняется для объектов, выделенных на этапе классификации или неопознанных при выполнении автоматизированного распознавания с использованием банка данных.

После распознавания выполняется определение количественных характеристик топографических объектов путем измерения их элементов на изображении. Выполнение этого этапа происходит с использованием традиционных методов.

Результаты автоматизированного дешифрирования регистрируются в наборе данных, расположенном на машинном носителе. В нем содержатся принятые оператором-дешифровщиком окончательные дешифровочные решения и количественные характеристики распознанных объектов.

Завершающим этапом процесса автоматизированного дешифрирования является формирование представления оригиналов контуров в цифровой и графической формах. Цифровой оригинал содержит метрическую и семантическую информацию о контурах. Исходными данными для получения метрической информации являются файлы, содержащие цифровую информацию о контурах. Исходными данными для формирования семантической информации являются результаты дешифрирования - названия объектов, по которым выбираются коды объектов и их количественные характеристики [15].

Однако существует ряд проблем связанных с практической реализацией искусственных нейронных сетей.

1. Выбор оптимальной архитектуры. Определение оптимального числа скрытых слоев основано на способности искусственной нейронной сети к обобщению полученных знаний, т.е. выдаче правильных результатов при подаче на ее вход данных, не входящих непосредственно в обучающую выборку. Пример разделения множества данных, подчиняющихся правилу R, на обучающее L, контрольное V и тестовое G подмножества приведен на рис. 3.8. Элементы L и G должны быть типичными элементами множества R. Способность отображения сетью элементов L является показателем ее обученности и характеризуется погрешностью обучения , способность распознавания данных подмножества G показывает ее возможности обобщения знаний и описывается погрешностью обобщения . Для верификации качества обучения нейронной сети в составе L выделяется определенное подмножество контрольных данных V.


2. Реализация обобщающих свойств. При обучении нейронных сетей оказывается, что количество весов Tw сети (число степеней свободы) и число обучающих выборок р тесно связаны. Например, если бы целью обучения НС было только запоминание , тогда достаточно было бы p=Tw, однако такая сеть не будет обладать свойством обобщения и сможет только восстанавливать данные. Для обретения обобщающих свойств нейронной сетью необходимо выполнение p>Tw, чтобы веса сети адаптировались не к уникальным выборкам, а к их статистически усредненным совокупностям. Наглядная графическая иллюстрация способности нейронной сети к обобщению показана на рис. 13 на примере аппроксимации одномерной функции двухслойной нейронной сети.

Рисунок 20 - Аппроксимация одномерной функции

y=f(x), заданной в 21 точке, двухслойной нейронной сети, содержащей К нейронов скрытого слоя: а) К=80; б) К=5; в) К=1

Видно, как при избыточном числе нейронов и весов проявляется эффект гиперразмерности нейронной сети, когда минимизация на относительно малом числе обучающих выборок спровоцировала случайный характер значений многих весов, что при переходе к тестовым сигналам обусловила значительное отклонение фактических значений yi от ожидаемых di (рис. 20 а). Уменьшение количества скрытых нейронов до оптимального значения (рис. 20 б) обеспечило и малую погрешность обучения, и высокую степень обобщения (малую ). Дальнейшее уменьшение количества скрытых нейронов привело к потере нейронной сетью способности восстанавливать обучающие данные (рис. 20 в).

. Оптимизация длительности обучения. Длительность обучения по-разному влияет на значения и .

Рисунок 21 - Влияние длительности обучения на погрешности

и

Если погрешность монотонно уменьшается с увеличением числа итераций t, то снижение происходит только до определенного момента, после чего она начинает расти (рис. 21). Это означает, что слишком долгое обучение может привести к «переобучению» нейронной сети, которое выражается в слишком детальной адаптации весов к несущественным флуктуациям обучающих данных. Такая ситуация особенно заметна при использовании сети с излишним количеством весов. Для предотвращения перетренированности нейронной сети служит контрольное подмножество V, с помощью которого осуществляется оперативная проверка фактически набранного уровня обобщения .

. Редукция и наращивание нейронной сети. Редукция производится для сокращения количества скрытых нейронов и межнейронных связей, что усиливает способность сети к обобщению. Большинство методов сокращения размерности нейронной сети можно разделить на три группы:

- редукция с учетом величины весов предполагает отсечение весов, значительно меньших средних значений, поскольку они оказывают небольшое влияние на уровень выходного сигнала связанных с ними нейронов;

- редукция с учетом чувствительности основана на разложении в ряд Тейлора с использованием в качестве показателя важности конкретных весов вторых производных целевой функции;

редукция с использованием штрафной функции состоит в такой организации обучения, которая провоцирует самостоятельное уменьшение значений весов с исключением тех, величина которых опускается ниже определенного порога.

. Инициализация весов.

. Подбор обучающих данных.

7. Обеспечение устойчивости функционирования нейронной сети. После определения оптимальной архитектуры нейронной сети, выбора начальных значений параметров, подготовки обучающих данных и хорошего обучения актуальной становится задача обеспечения стабильности выходных сигналов, т.е. устойчивости функционирования нейронной сети. Разработчики нейрокомпьютеров выделяют четыре типа устойчивости:

) к случайным возмущениям входных сигналов;

) к флуктуациям параметров сети;

) к разрушению части элементов нейронной сети;

) к обучению новым примерам [18].

Таким образом, хорошо обученная нейронная сеть устойчива к весьма сильным возмущениям. Так, в задачах распознавания образов уровень шума может в несколько раз превосходить полезный сигнал, случайный сдвиг параметров - достигать 0,5-0,7 их идеального значения, разрушение - 30-50% элементов. И, тем не менее, обученная сеть делает не более 10% ошибок.

Перспективами автоматизации процесса дешифрирования являются:

- стандартизация процессов обработки и форматов представления данных;

повышение быстродействия программных комплексов;

автоматизация процессов обработки.

Это может быть достигнуто за счет использования контролируемой и неконтролируемой классификации, а так же за счет разработки и внедрения технических и программных средств основанных на использовании нейросетевых методов.

Основными этапами алгоритма автоматизированного дешифрирования объектов с использованием нейросетевых методов являются: подготовительные работы, формирование банка данных, предварительная обработка цифровых изображений объектов и их классификация, автоматизированное оконтуривание классифицированных объектов, распознавание изображений топографических объектов, определение количественных характеристик топографических объектов, формирование представления оригиналов контуров в цифровой и графической формах.

Данный алгоритм позволяет повысить полноту содержания топографических карт в аналоговой и цифровой формах представления на 5-10%, повысить среднюю вероятность распознавания топографических объектов на 13%. Однако, существенными проблемами, связанными с практической реализацией этого алгоритма, являются: выбор оптимальной архитектуры, реализация обобщающих свойств, оптимизация длительности обучения, редукция и наращивание нейронной сети, инициализация весов, подбор обучающих данных, обеспечение устойчивости функционирования нейронной сети.

ЗАКЛЮЧЕНИЕ

Возможность дистанционного изучения объектов земной поверхности с помощью космических средств становится насущной необходимостью, так как основывается на объективно существующих связях между характеристиками (параметрами) природной среды и полем (отраженного и собственного) излучения земной поверхности.

Материалы, получаемые в результате выполнения аэро- и космических съемок, используют при решении разнообразных задач. По снимкам, полученным с воздушных и космических носителей, изготавливают карты и планы, используемые в городском кадастре, землеустройстве, определяют геодезические координаты изобразившихся точек местности, границы изучаемых объектов, их принадлежность к соответствующему классу, а также их качественные характеристики.

Изготовление данных картографических материалов предполагает фотограмметрическую обработку космических снимков. При этом дешифрирование входит основной составной частью в технологический процесс картографирования и является важнейшим технологическим компонентом дистанционного зондирования территорий.

Оно может осуществляться визуальным, машинно-визуальным, автоматизированным, автоматическим методами и обеспечивает получение информации об объектах, подлежащих измерению их координат или нанесению на изготавливаемые планы и карты; опознавание этих объектов на анализируемых изображениях; определение качественных и численных характеристик объектов; нанесение их положения или границ простирания; выражение полученных данных условными знаками.

Получение информации осуществляется на основе регистрации и измерения видовых, сигнальных и вещественных; именных, прямых и косвенных признаков.

Данная информация используется в интересах решения задач кадастрового дешифрирования снимков, дешифрирования снимков населенных пунктов для целей кадастра и инвентаризации земель, дешифрирования снимков урбанизированных территорий.

Наибольшей информативностью обладают именные признаки объекта, однако получение данных признаков требует создания специализированных средств и приводит к необходимости использования большого количества регистрационной аппаратуры, так как именные признаки для объектов дешифрирования разнообразны.

Развитие компьютерных технологий позволяет упростить процедуры выявления и распознавания объектов местности на космических снимках и перейти от визуального дешифрирования к автоматизированному, что ускоряет проведение географического анализа изображений.

Под автоматизированным дешифрированием понимается процесс разбиения пикселов изображения на классы, т.е. на однородные по некоторому критерию области.

Перспективами автоматизации процесса дешифрирования являются:

- стандартизация процессов обработки и форматов представления данных;

повышение быстродействия программных комплексов;

автоматизация процессов обработки.

Это может быть достигнуто за счет использования контролируемой и неконтролируемой классификации, а так же за счет разработки и внедрения технических и программных средств основанных на использовании нейросетевых методов.

Основными этапами алгоритма автоматизированного дешифрирования объектов с использованием нейросетевых методов являются: подготовительные работы, формирование банка данных, предварительная обработка цифровых изображений объектов и их классификация, автоматизированное оконтуривание классифицированных объектов, распознавание изображений топографических объектов, определение количественных характеристик топографических объектов, формирование представления оригиналов контуров в цифровой и графической формах.

Изучение возможности автоматизации процесса распознавания объектов застроенных территорий показал, что использование нейросетевых методов при дешифрировании позволяет повысить полноту содержания топографических карт в аналоговой и цифровой формах представления на 5-10%, повысить среднюю вероятность распознавания топографических объектов на 13%.

В результате анализа современных методов дешифрирования космических снимков и выявления по ним изменений при мониторинге природно-территориальных комплексов было установлено, что необходима комплексная обработка, позволяющая при дешифрировании космических снимков использовать как спектральные яркости объектов, так и их структурные признаки.


СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1.Конституция Российской Федерации: офиц. текст. - М.: Инфа-М, 2009. - 129 с. дешифрирование космический нейросетевой

2.Федеральный закон «О государственном кадастре недвижимости» от 27 июля 2007 г. № 221-ФЗ//Консультант Плюс - Режим доступа: http//consultant.ru

.Федеральный закон «Об охране окружающей среды» от 10 января 2002 г. №7-ФЗ//Консультант Плюс - Режим доступа: http//consultant.ru

.Федеральный закон «Об экологической экспертизе» от 23 ноября 1995 г. №174-ФЗ//Консультант Плюс - Режим доступа: http//consultant.ru

.Земельный кодекс Российской Федерации: Федеральный закон от 25 октября 2001 г. №136-ФЗ//Консультант Плюс - Режим доступа: http//consultant.ru

.Алтынцев, М.А. Исследование возможности применения корреляционного анализа Фурье-образов изображений для автоматического дешифрирования снимков [Текст] / М.А. Алтынцев // Сборник научных трудов аспирантов и молодых ученых Сибирской государственной геодезического академии под общ. ред. Т.А. Широковой. - Новосибирск: СГГА, 2010. - Вып. 7. - С. 57-63.

7.Алтынцев, М.А. Вейвлет-анализ для выявления вырубок в лесных массивах по аэрофотоснимкам [Текст] / М.А. Алтынцев, А.С. Гордиенко, А.А. Гук // ГЕО-Сибирь-2010: сб. материалов VI Междунар. науч. конгр. «ГЕО-Сибирь-2010», 19-23 апр. 2010 г., Новосибирск. - Новосибирск: СГГА, 2010. - Т. 4, ч. 1. - С. 3-8.

.Алтынцев, М.А. Преобразование Tasseled Сар по космическим снимкам IKONOS для дешифрирования растительности [Текст] / М.А. Алтынцев // ГЕО-Сибирь-2011: сб. материалов VII Междунар. научн. конгресса «ГЕО-Сибирь-2011», 27-29 апр. 2011 г., Новосибирск. - Новосибирск: СГГА, 2011. - Т. 4. - С. 30-35.

.Антощук С.Г., Сербина Н.А. Система распознавания текстурных изображений при экологическом мониторинге // Искусственный интеллект. - 2012. - №4. - С. 406-412.

.Баландин В.Н., Матвеев А.Ю. Об определении физических площадей участков / В.Н. Баландин, А.Ю. Матвеев и др. // Геодезия и картография. - 2010. - №8. - С. 49-53.

.Бирюков, В. С. Методика топографического дешифрирования с автоматическим опознанием изображений объектов местности / В. С. Бирюков, А. В. Даргель, Д. И. Новоселов // Известия вузов. Геодезия и аэрофотосъемка. - 2010. - № 3. - С. 182 - 187.

.Бирюков, В. С. О методах автоматизации топографического дешифрирования / В. С. Бирюков, А. В. Даргель, Д. И. Новоселов // Известия вузов. Геодезия и аэрофотосъемка. - 2012. - № 1. - С. 134 - 140.

.Бирюков, В. С. О понятиях в дешифрировании / В. С. Бирюков // Геодезия и картография. - 2008. - №7.- С. 35-38.

.Бирюков, В. С. О Признаках и процессе топографического дешифрирования / В. С. Бирюков, Д. И. Новоселов // Геодезия и картография. - 2010. - № 5. - С. 20-25.

.Бирюков, В. С., О понятиях «объект» и «изображение» в топографическом дешифрировании / В. С. Бирюков, Д. И. Новоселов // Геодезия и картография. - 2010. - № 4 - С. 45-49.

.Виноградова, Н.С. Выделение растительности и объектов гидрографии по снимкам городских территорий сверхвысокого разрешения/ Н.С. Виноградова// Пространственные данные. - 2009. - №4. - С.42-46

.Волков, А.В. Методика автоматизированного дешифрирования изображений топографических объектов/ А.В. Волков// Геодезия и картография. - 2012. - №10. - С.53-56

.Гольдман, Л. М. Дешифрирование аэроснимков/ Л. М. Гольдман. - Режим доступа: #"justify">ПРИЛОЖЕНИЕ А

Технологическая схема изготовления топографического плана на основе фотограмметрической обработки одиночного снимка

Рисунок А1 - Технологическая схема изготовления топографического плана на основе фотограмметрической обработки одиночного снимка

ПРИЛОЖЕНИЕ Б

Технологическая схема создания ортофотоплана на основе стереофотограмметрической обработки снимков

Рисунок Б1 - Технологическая схема создания ортофотоплана на основе стереофотограмметрической обработки снимков

ПРИЛОЖЕНИЕ В

(справочное)

Таблица В.1

Основные объекты дешифрирования и их признаки

ОбъектПрямые дешифровочные признакиКосвенные дешифровочные признакиКосмический снимокФорма, размертон текстура и структураЖелезные дороги прямолинейные с закруглениям большого радиусатемно-серыйдве параллельные очень тонкие линии - рельсыШоссейные дороги узкая лента одинаковой ширины с прямолинейными участками и геометрически правильными закруглениямисветлыйразветвления и пересечения с другими дорогами.Грунтовые дороги извилистое начертание наезженного следа в виде линий неравномерной толщинысветло-серыймногочисленные разветвления и пересеченияПолевые дорогиузкая извилистая линиясветлыхотходят от населенного пункта, шоссе, проселочных дорог, идут по пашням, лугам и в лесу, где, как правило, обрываютсяТропынитьбелый или серыйобычно соединяют населенные пункты по кратчайшему пути или спрямляют большие извилины других дорог. Часто прокладываются для выхода напрямик из населенного пункта на другие дороги или к другим местным предметам - к железнодорожным станциям и платформам, колодцам вне населенного пункта, полевому стану и т. п.Трассы ЛЭП и трубопроводовлинейная со сменой направления под угломРеки и ручьи извилистые полосы различной шириныпреимущественно темный: водоемы с грязной, мутной водой более светлые, чем водоемы с чистой; отмели имеют более светлый тон, чем глубокие участки реки.бесструктурный (аморфный) рисунокПесчаные отмели по берегам в виде ярко-белого окаймления вдоль береговой линии или закругленных выступов на поворотах. Крутые берега опознаются по падающей от них тени.Озера и прудычаще всего овальнаяпреимущественно темный: водоемы с грязной, мутной водой более светлые, чем водоемы с чистой; отмели имеют более светлый тон, чем глубокие участки.бесструктурный (аморфный) рисунокбереговая линия, которая изображается в виде замкнутой кривой линии с плавными закруглениями (береговая линия пруда отличается от изображения береговой линии озера наличием более резких изломов)Каналыправильная прямая форматемныйрезко очерченные края русла, одинаковая ширина, наличие гидротехнических сооружений.Леса более или менее резко очерченные фигурытемный; лиственные леса более светлого тона по сравнению с хвойными лесами.крупно зернистаяразмытые тени, отбрасываемые деревьями; просеки в лесу в виде узких прямых светлых полосок, заканчивающиеся у опушки леса.КустарникимелкозернистаяСадыучастки (площади) со строго очерченными границамисетчатаяВиноградникиучастки (площади) со строго очерченными границамиполосчатаяОгородыпараллельные полоскиот белого до темногоПашни четкость границ и определенная «геометричность» форм полейразличный (зависит от состояния участка, произрастающей культуры, фазы развития культуры и др.)полосатаяборозды в направлении обработкиЗалежь пятнистаяприуроченность залежи к межотроговым овражным и балочным участкам, к сильно эродированным участкамСенокосынеопределеннаяЗаболоченный луг ровного серого тона; сухой луг имеет более светлый тонразличная (зависит от качественных характеристик)приуроченность к определенным природным комплексам, отсутствие возможности прогона скота к участку и отсутствие признаков систематического выпаса скотаПастбищанеопределеннаяПоложение вблизи скотных дворов, возможность прогона скота к пастбищному участку, наличие множества выбитых скотом троп, вытоптанных у водопоев и на местах стоянок травостоев, наличие специальных сооружений (загонов, навесов и т.п.)Болота лентообразная или овальная форматемно-серый, более темный тон обычно соответствует более увлажненным местам.мелкозернистые пятна (кустарник), иногда волокнистой структурыГородские населенные пунктыбольшое число улиц и переулков, более или менее правильно расположенных и образующих кварталы жилых домов. В центральной части выделяются площади и большие здания. Небольшие города характеризуются сравнительно малыми размерами построек, а также наличием участков с садами и огородами. Сельские населенные пунктысравнительно маленький размер, небольшое количество улиц (иногда только одна улица). Непосредственно к границам примыкают сады, огороды и пахотные участки, разделенные изгородями, плетнями и заборами, которые видны как тонкие линии с полоской тени при них. Жилые постройки располагаются, как правило, вдоль улиц или непосредственно у дорог, а нежилых постройки- ближе к внешним границамКрупные промышленные предприятиябольшие размеры занимаемой ими площади, наличие заводских труб, форма основных сооружений и наличие хороших подъездных путейФермаОтносительно крупные вытянутой формы здания, расположенные на окраине или вблизи сельского населенного пункта, со сбитой растительностью вокруг них и сетью расходящихся прогоновЗданияпрямоугольник или фигура, состоящая из нескольких прямоугольниковрезкая граница тени угловатых объектов

Похожие работы на - Кадастровая оценка схемы комплексного использования и охраны водных объектов

 

Не нашел материал для своей работы?
Поможем написать качественную работу
Без плагиата!