Въведение
Възможностите, които предоставят новите технологии силно навлизат в процесите на планиране, организиране и контролиране на урбанизационните процеси (аерофото и сателитни снимки, видеонаблюдение и сензори за контрол на различни показатели на средата, електронни бази данни и др.)
Дистанционно получените цифрови изображения могат да бъдат изучавани чрез качествени и количествени анализи за извличане на информация. Качественият анализ е свързан с човешките умения за интерпретиране, количествен анализ на автоматичната цифрова обработка или полуавтоматичното интерпретиране, ако има контрол от страна на оператора в една или повече фази на обработката. Преди качествения и количествения анализ, спектралните изображения могат да бъдат обработени, за да се подобри визуализацията и улесни разчитането и интерпретацията.
Спектрален анализ може да се извърши, като се работи върху един пиксел с точни трансформации или като се включат повече пиксели.
Необходимостта да се наблюдават урбанизираните и неурбанизираните територии за период от време, който може да варира от месец до много години, изисква уеднаквяване в използването на параметрите и тяхното директно съпоставяне.
За да се направи анализ и да се открият измененията (промените), настъпили в дадена територия на базата на цифрови изображения, направени в два или повече периода от време на същата територия, е необходимо да се направи сравнение между тези изображения.
При направените изследвания се установи, че за да се постигнат максимално правдоподобни резултати е необходимо да се извършат някои процедури в определена последователност. За да се проследят процесите на урбанизация в населените места е необходимо най- напред да се дефинират параметрите, които ще се изследват.
1. Дефиниране на параметрите на застрояване
Параметрите на застрояване са свързани със застрояването на урбанизираните територии и предоставят полезна информация за вида и характера на застрояване. Като се определят пикселите от групата на класовете, представящи застроените площи и се отнесат към тези от групата на класовете, представящи незастроените части се определя плътността на застрояване за всеки регион.
Съществуват два различни метода при дефиниране на параметрите на застрояване:
- чрез запазване и комбиниране на първоначалните радиометрични данни, а именно – видими и близки инфрачервени зони за диагностика на спектралната реакция;
- чрез промяна на наличните първоначални спектрални диапазони, получени от един и същ сензор
Параметрите на застрояване, които не променят първоначалната радиометрична информация, увеличават отбелязаната разлика между ниската отражателна способност във видимия, по-специално в червения и син спектър, и високата в близкия инфрачервен.
1.1 Параметри запазващи първоначалните радиометрични данни
Най-лесното изчисляване на параметрите на изображенията, при запазване на първоначалните данни, се базира на операциите изваждане, деление, събиране и умножение на стойностите за яркост на хомоложни клетки (изразени във вата на единица повърхнина) или пикселна яркост (изразени в целочислени стойности) на два различни спектрални диапазона, получени от една и съща камера, за да се създаде ново изображение; най-често се използват изваждане и деление.
Тези алгебрични комбинации, включващи два или повече спектрални канала, осигуряват информация за вида и характера на застрояване. Мултитемпоралното събиране на данни от наблюдение на Земята, позволява непрекъснат мониторинг.
Според съотношението между каналите, числената стойност на всеки пиксел на дадено изображение (спектрален диапазон 1) е разделена на числената стойност на съответния пиксел на друг образ (спектрален диапазон 2), записан върху първия.
Присъщите параметри генерират стойности, трудни за тълкуване, когато биомасата е ниска, естеството на почвата е неизвестно и застрояването е разнородно.
Параметрите, отнасящи се до почвената повърхност, са базирани на принципа на линейност на спектралното поведение на почвата във видимата и близката инфрачервена зона, като това води до извличане на някои коефициенти на трансформация.
1.2 Параметри с модификация на радиометричната информация
Многоспектърният характер на дистанционно получените изображения, прави възможно създаването на нови групи, наречени псевдо ивици, получени от първоначалните, наричани компоненти. Обекти, които иначе не се виждат в първоначалните сцени, могат да бъдат вече различени.
- параметър на яркостта – обозначаващ интензитета на яркост, свързан с отражателната способност и албедо стойности (отразената енергия от повърхностите във видимата и IR зона) на незастроената площ;
- параметър на плътността на застрояване – подобрява контраста между областите на видимата и инфрачервена зона; индикатор за количеството и в някои случаи, за начина и характера на застрояване.
- параметър на зониране – който, установява наличието и разпределението на различни видове зони на определена територия и съотношението между тях.
- структурен параметър – описва вида на структурата на урбанизираните територии и съотношението между различните структурни елементи (на пример в жилищен квартал се описват жилищната част, обществена част, част озеленяване, улици и т.н.).
Тези параметри спомагат да се разбере от гледна точка на спектъра характерната зависимост между застроена и свободна територия в съответствие със застроителните промени във времето. Следователно, параметрите на застрояване могат да бъдат реално използвани в следните приложения:
- изследването и оценка на урбанизацията като цяло;
- проследяване на процесите на застрояване във времето;
- мониторинг на изпълнение на общите и подробните устройствени планове;
- оценка и мониторинг на качеството на жизнена среда и стандарт в различни части от населеното място.
фиг.1 Изследване спектрално поведение на пикселите от определен канал по предварително дефинирано направление с цел дефиниране на параметрите на застрояване [1]
2. Предварителна обработка на изображенията.
Най-напред се изравняват (нормализират) радиометричните и геометричните характеристики на изображенията. По този начин се минимизират грешките, възникващи от влиянието на различните атмосферни условия на заснемане /облачност, засенчване, смог и др./. За целта се използват различни филтри, които се прилагат или върху цялото изображение или върху определена зона на интерес. За правилният избор на филтри е от съществено значение опитността на оператора и неговата оценка на радиометричните параметри на всяко едно от изображенията.
2.1 Радиометрична предварителна обработка
Изкривяванията, причинени от радиометрични грешки, според [3], генерират ефекти върху радиометричните стойности на пикселите на изображението, индуциращи нерепрезентативно разпределение на яркостта на спектралната зона. Това изкривяване, което може да бъде елиминирано или редуцирано чрез радиометрична предварителна обработка, зависи от:
- грешки, въведени от неправилно функциониране по време на получаването на информацията;
- геометрични характеристики на системата за получаване на данни и положението на Слънцето, по-специално неговия наклон, измерен по зенитния ъгъл;
- атмосферен слой между сензора и заснеманата сцена, който влияе на спектралните реакции и намалява контраста в изображението. Атмосферата влияе на дистанционно приеманите данни, действайки като бариера, ограничаваща разпространението на електромагнитните вълни чрез абсорбция и действаща като нереален източник на енергия чрез разсейване.
Като особено внимание при работа с изображения на урбанизирани територии трябва да се обърне на последните две.
Радиометричните изкривявания при много приложения са незначителни или представят обекта на проучване (например – метеорологични приложения с Meteosat данни). В други случаи са източник на шум, при условие че целта е извличане на информация за физични явления (например – отражателната способност и температура на повърхността). При тези случаи са взети предвид следните фактори: [4]
• предефиниране на физичните параметри на сензора чрез калибриране и корекция на радиометричните аномалии, свързани с технически проблеми при сканирането;
• нормализация на сигнала въз основа на условията на осветеност на заснеманата територия и на нейната орография;
• изчистване на сигнала от атмосферни компоненти.
2.2 Геометрична предварителна обработка
За да се установи съответствието между пикселите на изображението и съответстващите им физични точки от повърхността, според необходимостта на потребителя и характеристиките на сензора, се правят геометрични корекции. При традиционния подход, според който параметричните корекции на изкривяванията, свързани с геометрията на възприемане на изображенията, се приема че се правят в контролната и приемаща станция, потребителите приемащи предварително обработени изображения от дистрибутора, извършват само корекции на остатъчни изкривявания, свързани с регистрацията и непараметрични ортопроекционни операции.
Ситуацията е по-сложна в случай на приемане на изображения от самолет, тъй като потребителят-експерт трябва сам да направи геометричната корекция.
Трансформациите, които модифицират геометрията на изображението, но не и начина на представяне на заснетата територия, се дефинират като геометрични корекции и в резултат се получава изображение в същия обхват без промяна на представянето на заснетото. Целта е да се получи препокриване на референтно изображение с друго изображение върху същия обхват.
Запазването на ново геометрично коректно цифрово изображение изисква при процеса на обработка, независимо от направените промени да се съхранят оригиналните радиометрични характеристики на изображението.
Накрая изображенията се нуждаят от ортопроекционни корекции, за да се елиминират или минимизират систематичните грешки, дължащи се на теренните особености.
3. Класификация на изображенията
Следващата стъпка е свързана с класификация на нормализираните изображения, чиито параметри са идентични за всички сравнявани изображения. Целта на класификацията е предварително да се предефинират и идентифицират различните обекти в изображенията, като се заложат по малък брой класове (около десет и по- малко), за да се избегнат различията в много тесен диапазон на радиометричните характеристики, които в действителност не представят реална промяна в реално заснетия обект. При това положение се прави обикновено класификация без обучение и след това се прецизират резултатите. Задължително е параметрите на дефинираните класове да се приложат за всички сравнявани изображения.
Редуциране на характеристиките синтезира информацията, съдържаща се в първоначалните данни и може да се използва концентриране на информацията в по-малък брой канали. Това може да бъде полезно, за да се намали количеството на данните за обработване, предаване или съхраняване, концентрирайки, например по-голямата част от първоначалната информация за данните върху малък брой обединени канали. Характеристики, които не подпомагат разпознаването и отделимост на спектралните класове, могат да бъдат изключени.
Класификацията без обучениесе използва, за да групира пикселите в масив от данни, базиран само на статистиката, без никакви обучаващи класове, определени от потребителя. Въпреки че методът не изисква въвеждане от потребителя, за да се създаде класифицирано изображение, изходните данни обикновено изискват повече пост-класификационни операции, за да станат резултатите по-понятни.
Освен това нито естеството, нито точният брой на класовете се предполага да се знае априори. При това положение, единственият възможен подход е да се създадат клъстери на радиометрично хомогенни пиксели (клъстер според критерия за реципрочна близост). Целта на клъстерите е да групират пикселите в предварително неизвестен брой спектрални класове. Тази цел може да бъде постигната чрез различна степен на трудност и успех, според позицията на пикселите в съответната спектрална област.
Общите критерии за групиране и разделяне като цяло се базират на понятието за разстояние, което, ако не е посочено друго, е определено като евклидово: [3]
ρ(x’, x) = || x’- x|| (3.1)
То е изотропно и хомогенно в цялото многоспектърно пространство.
В този процес, клъстери, обособени според тяхната спектрална характеристика, се разпознават автоматично (фиг. 2).Процедурата се състои от две фази:
- определяне броя на центроидите, около които пиксели с подобни спектрални характеристики обикновено ще се групират. Първоначалните центроиди са избрани въз основа на статистически критерии, без да се налага предварителна информация за съответствието им със съответните класове;
- всеки клъстер се причислява към даден клас, който се отнася за съответната категория обекти (почва, растителност, вода и т.н.).
Фиг.2 Две възможни клъстерни струпвания в двуизмерното пространство (диаграма на разсейване), което може да доведе до много различни резултати в класификацията[3].
При един от най-елементарните автоматични обучаващи алгоритми, процедурата следва прост и лесен начин да се класифицира даден масив от данни чрез определен брой клъстери, (да приемем к клъстери), фиксирани предварително. Основната идея е да се определят к центроидите, по един за всеки клъстер. Тези центроиди трябва да бъдат разположени внимателно, защото различните местоположения водят до различни резултати. Така че по-добрият избор е да ги поставим, колкото е възможно, по-далеч един от друг. Следващата стъпка е да вземем всяка точка, принадлежаща към даден масив от данни и да я свържем с най-близкия центроид. Когато вече няма висящи точки, първата стъпка е завършена и първоначалното групиране е изпълнено. В този момент нови к центроиди се преизчисляват като център на тежестта на клъстерите, в резултат от предишната стъпка. С тези нови к центроиди трябва да се направи ново свързване между точките от един и същ масив от данни и най-близкия нов центроид, създавайки затворен контур. В резултат на този контур к центроидите променят своето местоположение стъпка по стъпка, докато не свършат промените.
4. Сравняване (съпоставяне) на класифицираните изображения
Последната стъпка е съпоставянето на изображенията. Тук подходът се базира на два основни принципа:
- Откриване на разликите в стойностите на съответните пиксели, като предварително е дефиниран диапазона, в който се смята, че определен пиксел се различава от съответният му в другото изображение. По този начин се получава количествената стойност (броят) на пикселите различаващи се в двете изображения.
- От друга страна, изразяването на отношението на стойностите на пикселите от първото изображение към съответните стойности от второто, ни представя степента на съвпадение (различие) между двете цифрови изображения. По този начин, отчитаме динамиката на развитието на определени процеси, водещи до съответното изменение.
Така погледнато, използването на двата подхода ни позволява да придобием пълна картина при отчитането на разликите в две цифрови изображения, представящи дадени процеси, тяхното количествено изменение и динамика на развитие. (фиг.3)
фиг.3 Анализ на пространствени данни. Разпознаване на настъпилите промени в застрояването в различни моменти от време за определена територия. [1]
5. Заключение
От направените изследвания на изображения на урбанизирани територии в различни периоди от време за откриване на настъпили промени, могат да се определят основните стъпки за обработка и анализ, необходими за получаването на коректни резултати.
Дефинирането на основните параметри, които ще служат за последващ анализ е първият етап преди да се започне с обработката на цифровите снимки.
Като втори етап от работата е предварителната обработка, с цел уеднаквяване на радиометричните и геометричните характеристики на изображенията на съответстващите зони.
Третият етап е класификацията на изображенията. Параметрите и броя на класовете са идентични за двете изследвани изображения. По този начин се избягва определянето на недействителни разлики, предизвикани от малки разлики в съответните пиксели.
Съпоставянето на класифицираните изображения е последната фаза. За да се получи пълна информация, е необходимо съпоставянето да се извърши като разлика и като отношение между двете изображения. По този начин получаваме количествени стойности за конкретните изменения във времето и тяхната динамика.
Литература:
1. Филипова С., Методика за използване на съвременни фотограметрични технологии за целите на устройственото планиране, 2014
2. ERDAS IMAGINE & LPS Customer Education, 2010
3. Gomarasca M.A., Basics of Geomatics, Institute for the Electromagnetic Sensing of the Environment, Milano, Italy.
4. Kasser M., Egels Y.,Digital Photogrammetry, 2002
