ИСТИНА

Основу компьютерного распознавания природно-техногенных объектов составляет классификация признаков – спектральных и текстурных особенностей этих объектов. Распознавание по спектральным признакам производится исходя из регистрируемых спектров солнечного излучения. Спектр отдельного пикселя представляется точкой в многомерном пространстве, размерность которого соответствует числу спектральных каналов. Процесс создания классификатора (вычислительной процедуры) является разбиением указанного пространства на конечное число множеств, соответствующих распознаваемым объектам. Для изображений, имеющих достаточно высокое пространственное разрешение, для того, чтобы говорить о форме и текстуре распознаваемых объектов, возможно применение алгоритмов контекстуального распознавания. Контекст характеризуется воздействием соседних пикселей. Например, объект «лесная растительность определенного породного состава и возраста» относится к одному классу до тех пор, пока не появится граница с другим объектом. При этом «свечение» отдельных пикселей заданного класса объектов может восприниматься как шум, учет контекста в этом случае приводит к повышению общей точности распознавания, но отдельно стоит задача обнаружения таких специфических объектов. Аналогично «всплески» в спектральном ходе отдельных пикселей (каждый спектр пикселя формируется с помощью весовых функций составных элементов зондируемых объектов – «end-members» в английской транскрипции) относительно окружающего фона могут использоваться для обнаружения таких объектов по спектральным признакам с учетом отношений «сигнал/шум» аппаратуры дистанционного зондирования. В докладе будут показаны примеры обработки самолетных гиперспектральных изображений, когда лесной полог имеет характерную текстуру, которую составляют перемежающие освещенные и затененные участки крон, а также межкроновые просветы. Регистрируемые спектральные плотности энергетической яркости (СПЭЯ) освещенных участков определяются в основном оптическими свойствами кроны, текущими атмосферными условиями и высотой Солнца в момент съемки. При этом гиперспектральная аппаратура обеспечивает высокие значения отношений «сигнал/шум». Отражение солнечного излучения затененными участками крон для одного и того же класса «чистых» лесных пород происходит более сложным образом. Здесь становится существенным многократное рассеяние света внутри кроны и спектральные свойства подстилающей поверхности. Уровень сигнала аппаратуры в этом случае значительно ниже, чем для освещенных фитоэлементов лесной растительности. Возрастает влияние собственной шумовой составляющей аппаратуры на формирование СПЭЯ. Будут продемонстрированы основы автоматизации процесса распознавания таких сложных объектов, как лесные экосистемы разного породного состава и возраста, по их гиперспектральным изображениям с использованием создаваемой аппаратно-программной системы обработки данных.