Методы обработки космических снимков

Введение.

Мониторинг окружающей среды — это комплексная система наблюдений за состоянием окружающей среды, оценки и прогноза изменений ее состояния под воздействием природных и антропогенных факторов. Мониторинг предполагает процесс систематического или непрерывного сбора информации о параметрах окружающей среды для определения тенденций их изменения. Мониторинг можно проводить с помощью сети стационарных пунктов, однако наблюдения на отдельных точках или профилях не всегда отражают пространственные изменения. Поэтому использование аэро- и космических снимков (данных дистанционного зондирования Земли – ДДЗ) является необходимым условием проведения регулярных наблюдений за современным состоянием экосистем. Сравнение их с результатами съемок, выполненных в прошлые десятилетия, позволяет точно зафиксировать произошедшие изменения.

Давно и неоднократно было показано, что использование оперативной глобальной космической информации позволяет успешно осуществлять мониторинг как быстро протекающих (пожары, наводнения и т. п.), так и протекающих достаточно медленно процессов (зарастание вырубок и гарей, пересыхание водоемов и т. п.), охватывающих большие территории. Географические исследования локального уровня, в первую очередь на особо охраняемых природных территориях (ООПТ), где они имеют целью выявление и оценку происходящих изменений, также опираются на ДДЗ.

Успех использования разновременных, разнотипных, с разной степенью детальности съемочных данных, а также всех доступных картографических материалов, зависит от привлечения современных геоинформационных технологий. Целесообразно создавать геоинформационные системы локального уровня, которые могут объединить подробные тематические и общегеографические данные, материалы аэро- и космических съемок разных лет, результаты стационарных наблюдений на тестовых площадках и другие дополнительные данные, имеющиеся на изучаемом участке ООПТ.

2.2. Выбор системы координат Система координат – это способ задания положения точек в пространстве. Главное свойство всех систем координат – положение любой точки однозначно определяется ее координатами. Использование снимков для мониторинга, т.е. для сопоставления и выявления изменений, в обязательном порядке предполагает их геометрическое соответствие, т.е. привязку к пространственной системе координат. Мониторинг на локальном или региональном уровне ведется в крупных и средних масштабах топографических карт, т.е. не мельче 1:500 000.

В этом случае возможен выбор одной из трех систем пространственных координат: географической (широта–долгота) или двух прямоугольных (СК-42 и WGS-84), наиболее часто используемых в настоящее время (табл. 2).

Таблица 2 Наиболее распространенные геодезические системы координат Геодезическая система координат Проекция Эллипсоид СК-42 (Пулково) Гаусса–Крюгера Красовского WGS-84 UTM (поперечно-цилиндрическая Меркатора) WGS-84

При работе с данными в растровом формате можно использовать и географическую, и геодезические системы, если же планируется составление карт в векторном формате, то лучше выбрать прямоугольные геодезические системы.

Геодезические системы координат фиксируют положение точек или объектов в метрической системе, чаще в метрах. Каждая система координат имеет два параметра (сложных математических выражения): по одному из них выполняется переход от «неправильной» фигуры Земли к строгой математической форме – эллипсоиду, а второй – проекция – задает правило развертки эллипсоида в плоскость (карты). До недавнего времени большинство развитых стран с обширной территорией имели собственные системы координат. Появление съемочных космических систем и систем спутникового определения координат (GPS) привело к необходимости иметь общую, всемирную систему координат (World Global System). Космические цифровые снимки поставляются зарубежными фирмами-распространителями уже преобразованными в систему координат WGS-84, в то время как отечественные топографические карты составлялись в государственной системе координат СК-42. Отсчет координат в обеих системах ведется от экватора (в СК-42 это ось координат x, а в WGS-84 ось y) и от осевого меридиана зоны (соответственно y – в СК-42 и x – в WGS-84).

В координатных системах для удобства отсчета координат поверхность эллипсоида делится на 60 6-градусных зон, счет которых ведется в нашей системе от Гринвичского меридиана, а в WGS-84 – от 180° в. д. Разница в значениях координат точки в этих двух системах на территории нашей страны может достигать по оси y в системе WGS-84 (x в системе СК-42) до 2 км, а по другой оси – нескольких сотен метров.

Для совместного использования снимков и отечественных карт необходимо привести их в единую систему. Выполнять геометрические преобразования приходится и в некоторых других случаях. Первичная привязка космических снимков выполняется по орбитальным данным, точность ее у разных съемочных систем неодинаковая. Например, высокой точностью привязки отличаются съемочные системы спутников Landsat, а космические снимки системы Cartosat со спутника IRS-P5, наоборот, привязаны по орбитальным данным неточно.

В программных пакетах высокого уровня пересчет координат из системы WGS-84 в СК-42 выполняется автоматически соответствующей программой. Если такой программы нет, переход к другой системе координат выполняется по опорным точкам.

Согласование систем координат необходимо также при использовании в процессе обработки снимков точек наземных наблюдений, координаты которых определены приемником спутникового позиционирования (GPS, ГЛОНАСС). Во многих современных GPS-приемниках предусмотрен переход от WGS-84 к СК-42 (Пулково). При отсутствии в установках приемника координатной системы СК-42 создают пользовательскую систему путем ввода общепринятых коэффициентов пересчета координат, которые можно найти в Интернете или учебной литературе.

Методы обработки космических снимков

Все разнообразие приемов и способов дешифрирования сводится к двум основным методам: визуальному и автоматизированному (компьютерному). Под визуальным дешифрированием понимается процесс, выполняемый исполнителем, независимо от того, в каком виде представлен снимок: в виде фотоотпечатков или изображения на экране компьютера. В противоположность этому автоматизированное (компьютерное) дешифрирование – это программная обработка снимков на компьютере. Существовавшее некоторое время тому назад представление о том, что автоматизированное дешифрирование полностью заменит визуальное, оказалось неверным. Более того, по мере все более широкого использования снимков со сверхвысоким пространственным разрешением роль визуального дешифрирования возрастает. Это объясняется тем, что способности человека анализировать изображение пока существенно превосходят возможности вычислительной техники.

Одно из основных преимуществ визуального метода дешифрирования перед автоматизированным заключается в легкости получения пространственной информации. Дешифровщик без труда определяет форму, относительные размеры объектов и особенности их распределения. Другое несомненное преимущество визуального способа – одновременное использование всей совокупности дешифровочных признаков, в особенности косвенных. На современном этапе развития компьютерных технологий такая задача пока еще не решена. Также недостижимы для компьютера логическое мышление и интуиция, которыми обладает человек и которые позволяют ему извлекать из снимка информацию не только об объектах и их свойствах, но и о процессах и явлениях.

К преимуществам компьютерного метода дешифрирования можно отнести возможность преобразования яркостей цифровых снимков для улучшения их восприятия, а также разнообразные математические операции, классификацию по заданным признакам.

Несомненны преимущества этого метода при обработке многозональных снимков и особенно при сопоставлении разновременных съемочных и картографических материалов с целью изучения изменений объектов.

Что касается объективности получаемых результатов, то нужно иметь в виду следующее. При компьютерной обработке данных дистанционного зондирования анализ изображения осуществляется по формальным признакам, поэтому получаемые результаты лишены субъективизма. Однако представление о том, что они полностью объективны, не в полной мере соответствует действительности. Многочисленные и разнообразные эксперименты по определению достоверности компьютерной классификации показывают, что, как правило, верно определяются 60–80% объектов. Результат тем лучше, чем больше различаются объекты по своим оптическим свойствам. Если они имеют сходные оптические характеристики, для их распознавания приходится привлекать, кроме яркостных и структурных, другие дешифровочные признаки. В таких случаях более правильными, а значит, и объективными оказываются результаты визуального дешифрирования.

Определенный субъективизм результатов визуального дешифрирования не всегда имеет отрицательный характер, он аналогичен субъективизму карты. В процессе дешифрирования исполнитель проводит осмысленную картографическую генерализацию: обобщает изгибы границ, отбрасывает мелкие или несущественные объекты. При применении визуального метода благодаря широкому привлечению косвенных дешифровочных признаков объекты классифицируются по их сущности, а при компьютерной обработке – по формальному признаку, в конечном итоге по их внешнему облику. Сопоставление визуального и автоматизированного методов дешифрирования показывает, что все они имеют свои преимущества и ограничения, поэтому в каждом конкретном случае предпочтение отдается одному из них или оба используются параллельно, в зависимости от поставленной задачи, географических особенностей и оптических свойств объекта изучения, имеющихся материалов и технических средств.

3.1. Визуальное дешифрирование Признаки, по которым распознаются объекты на снимках, называют дешифровочными. Дешифровочные признаки принято делить на прямые и косвенные.

Прямые дешифровочные признаки – это свойства объекта, находящие непосредственное отображение на снимках. К ним относятся три группы признаков: геометрические (форма, тень, размер), яркостные (фототон, уровень яркости, цвет, спектральный образ), структурные (текстура, структура, рисунок).

К первой группе, как следует из ее названия, относятся признаки, связанные с размерами и формой объектов на местности. Форма – наиболее надежный, т. е. не зависящий от условий съемки признак. К тому же наш глаз наиболее уверенно распознает именно форму объектов. С изменением масштаба снимков форма объекта на нем может несколько изменяться, за счет исчезновения деталей она упрощается.

Форма в плане часто используется при распознавании объектов, связанных с деятельностью человека, поскольку они, как правило, имеют форму, близкую к правильной геометрической. Исключительно большое значение, особенно при дешифрировании рельефа местности, имеет пространственная, объемная форма объектов. Самый надежный способ ее определения – стереоскопическое наблюдение пары перекрывающихся снимков.

Тень – дешифровочный признак, позволяющий судить о пространственной форме объектов на одиночном снимке. Различают собственную тень, т. е. часть объекта, не освещенную прямым солнечным светом, и падающую – тень от объекта на земной поверхности или поверхности других объектов. Собственная тень позволяет судить о поверхности объектов, имеющих объемную форму: резкая граница тени характерна для угловатых объектов, например крыш домов, а размытая свидетельствует о плавной поверхности, например крон деревьев.

Падающая тень в большей степени характеризует вертикальную протяженность, силуэт объекта.

Существенную роль играет тень как дешифровочный признак рельефа. По выраженности границы тени определяют профиль водораздельных поверхностей, бровок эрозионных форм, гребней форм эолового рельефа, а по размеру, протяженности – относительную высоту или длину форм рельефа (рис. 6). При дешифрировании форм микрорельефа плоских равнин, речных террас тень как дешифровочный признак играет едва ли не главную роль.

Размер – не вполне надежный признак. При дешифрировании чаще используются не абсолютные, а относительные размеры объектов.

Яркостные дешифровочные признаки связаны с одним и тем же свойством объектов местности – спектральной отражательной способностью, которая фиксируется на снимке в зависимости от вида съемки и типа материала, используемого при дешифрировании. На панхроматических и зональных (отдельных съемочных каналов) сканерных снимках интегральная или спектральная яркость объектов земной поверхности закодирована уровнями яркости (чаще говорят «яркостью») шкалы из определенного числа ступеней (например, 256 или 2048). Этот признак является функцией интегральной или зональной (в относительно узкой зоне спектра) яркости объектов. На многозональном снимке различия в спектральной яркости объектов отображаются набором уровней яркости в съемочных зонах, называемым спектральным образом, а на цветных синтезированных снимках –цветом (рис. 7). Фототоном, или тоном изображения, принято называть оптическую плотность на черно-белых фотоотпечатках при визуальном анализе. Наиболее широко этот признак использовался при дешифрировании материалов фотографической съемки, в первую очередь аэрофотосъемки.

Отражательные свойства объектов не постоянны во времени, зависят от высоты Солнца, прозрачности атмосферы, фазы вегетативного развития и других факторов. Изменчивостью спектральной яркости объектов, а также неоднозначностью изобразительных свойств съемочных систем объясняется невысокая надежность яркостных дешифровочных признаков. Яркостные дешифровочные признаки одного и того же объекта на разных снимках могут сильно варьировать, но, несмотря на это, они широко используются при визуальном дешифрировании, а при компьютерном в настоящее время являются основными.

Солнечное излучение обладает свойством в зависимости от длины волны проникать в воду на разную глубину, поэтому серия из снимков в голубой, зеленой и красной съемочных зонах создает как бы разноглубинный образ водных объектов и служит незаменимым материалом для их дешифрирования.

Структурные признаки являются отражением реально существующих ландшафтных рисунков, горизонтальной ландшафтной дифференциации. На снимке эти признаки представляют собой сочетание изображений объектов и их частей определенной формы, размера и тона (цвета), дополняя его новым свойством – пространственным распределением элементов изображения, их размещением, повторяемостью. Благодаря этим свойствам структурные признаки мало зависят от условий освещения, сезона и технических параметров съемки, несмотря на изменчивость отдельных составляющих изображения, поэтому их принято считать надежными дешифровочными признаками. Относительно мелкие элементы на снимке, у которых распознаются форма и размер, образуют структуру изображения. Типичным примером служат изображения лесных насаждений на аэроснимках и космических снимках сверхвысокого разрешения. Несколько разных структур часто формируют довольно устойчивые сочетания, типичные для определенных объектов земной поверхности. Такие сочетания называют рисунком изображения.

В рисунке находят отражение как природные особенности территории (структура почвенного и растительного покрова, распределение геоморфологических элементов, литологические особенности слагающих пород, тектонические условия), так и пространственные взаимоотношения объектов антропогенного происхождения. Очень часто рисунок изображения территории определяется ее рельефом и растительностью. Например, типичный рисунок поверхности речных террас с полукружьями заполненных водой или пересохших стариц обусловлен различиями в микрорельефе и растительных сообществах, а характерный рисунок грядово-мочажинного болота представляет собой чередование изображения растительности и открытой водной поверхности.

Несмотря на изменчивость отдельных физиономичных элементов на местности, обусловленную сменой сезонных и погодных состояний ландшафтов, особенности рисунка изображения могут сохраняться довольно долго.

Структурные признаки тесно связаны с пространственным разрешением или масштабом снимка, поскольку они соответствуют рисунку природно-территориальных комплексов разного ранга. Например, на снимках с высоким пространственным разрешением (в крупном масштабе) структуру изображения формируют кроны отдельных деревьев, а на снимках с более низким разрешением – чередование выделов лесной и травянистой растительности (рис. 8).

Косвенные дешифровочные признаки. Наличие взаимосвязей и взаимообусловленности всех природных и антропогенных свойств территории служит методологической основой дешифрирования по косвенным признакам. В качестве косвенных обычно выступают прямые дешифровочные признаки других объектов, называемых индикаторами. Интерпретировать изобразившийся на снимке объект можно по его географической приуроченности, местоположению.

Косвенные признаки условно делят на три группы: индикаторы объектов, индикаторы свойств объектов и индикаторы движения или изменений. Так, индикатором административных и государственных границ могут служить различия в нарезке сельскохозяйственных полей, структуре организации территории, состоянии растительного покрова (рис. 9). Колодцы в пустынных и полупустынных районах определяются на аэроснимках по сети сходящихся к ним троп и пятну выбитой скотом растительности. На космических снимках это светлые пятна (их диаметр на местности несколько километров), соответствующие растительному покрову с измененным в результате воздействия видовым составом.

По косвенным признакам определяют скрытые свойства отчетливо читающихся на снимке объектов. Чаще это относится к объектам хозяйственной деятельности.

Объекты-индикаторы динамики позволяют выявить наличие движения или изменений во времени по материалам одной съемки. В некоторых случаях оказывается возможным не только установить факт наличия движения, но и выявить его особенности. Примером могут служить формы эолового рельефа – индикаторы направления ветра.

Мутьевые потоки, выносимые реками в прибрежную зону озер или морей, индицируют течения в приповерхностном слое воды. Рисунок морен на поверхности ледников обусловлен характером движения льда. Обычно поверхностные морены представляют собой скопления обломочного материала в виде полос, постепенно расширяющихся в направлении течения ледника и повторяющих изгибы его языка. У пульсирующих ледников скорость движения льда крайне неравномерна, в период подвижки (пульсации) она возрастает в десятки раз, что может приводить к катастрофическим последствиям. Косвенный дешифровочный признак такого характера движения льда – наличие петель или резких изгибов в изображении поверхностных морен (рис. 10).

Индикационное дешифрирование – это преимущественно дешифрирование по косвенным признакам. Определение одних компонентов ландшафта по другим, физиономичным, легко опознаваемым на снимке, так называемым индикаторам, – распространенный прием географического дешифрирования. Его методологической основой служит взаимосвязь и взаимозависимость компонентов ландшафта.

В качестве индикаторов в зависимости от географических условий могут выступать отдельные компоненты природной среды, называемые частными индикаторами. Чаще в такой роли выступают растительность и рельеф. Так, в лесной зоне почвы распознаются по типу растительности: индикатором подзолистых почв служат лесные насаждения, а торфянистых – болотная растительность. На равнинах, как правило, растительность служит индикатором рельефа: посевы сельскохозяйственных культур приурочены к выровненным участкам, с углами наклона обычно не превышающими 10о, в то время как лесная растительность занимает более крутые склоны. Надежным индикатором выровненности и расчлененности равнинного рельефа служит нарезка сельскохозяйственных полей. В горных районах абсолютная высота и экспозиция склонов определяют характер почвенно-растительного покрова и служат косвенными признаками для их распознавания на снимках (рис.11).

В других случаях дешифрирование выполняется не по частным, а по комплексным индикаторам, т. е. по облику природно-территориальных комплексов. В таком случае говорят о ландшафтной индикации, или ландшафтном методе дешифрирования. Сущность его заключается в распознавании природно-территориальных комплексов по всей совокупности признаков, нашедших отражение на снимке, для последующего выявления, изучения и картографирования отдельных составляющих ландшафта. Ярким примером применения ландшафтного метода дешифрирования служит изучение и картографирование подземных вод. Распознавание и интерпретация физиономичных компонентов ландшафта и их пространственных сочетаний позволяют выявить геолого-географические условия и гидрогеологические параметры, такие как направление потоков и глубина залегания грунтовых вод, распространение водоупорных пород. Индикатором ландшафта может быть его рисунок, обусловленный процессом формирования природно-территориальных комплексов.

Важно иметь в виду, что индикационные связи действуют лишь в пределах определенного ландшафта, поэтому ландшафтно-индикационное дешифрирование обычно начинают с районирования. Затем в пределах каждой из выделенных территориальных единиц выявляют взаимосвязи компонентов ландшафта и определяют индикаторы. Экстраполяция выявленных индикаторов на соседние районы может привести к существенным ошибкам, так как одни и те же объекты в разных районах могут индицировать различные географические условия.

Индикационное дешифрирование служит основой для изучения по аэрокосмическим снимкам географических процессов. Озерные террасы, дешифрируемые по различиям в растительном покрове, свидетельствуют о периодах существенного изменения уровня водоема, т.

е. процессах, измеряемых десятками или сотнями лет. В то же время песчаные, практически лишенные растительности косы, с хорошо выраженным дистальным концом – индикатор современного аккумулятивного процесса формирования берега.

Изучение процессов эволюции основывается на выделении ландшафтно-генетических рядов. В этом случае пространственный ряд ландшафтов служит индикатором их смены во времени. Например, на заповедной территории в дельте Волги можно видеть, как по мере движения от береговой линии моря в более высокие части идет последовательная смена растительных сообществ: кустарниковая ива трехтычинковая с отдельными деревьями ивы белой, леса из ивы белой, редколесья из ивы белой по прирусловым валам, разнотравно-осоково-тростниковые луга и ежевичники по прирусловым валам. Этот пространственный ряд отражает смену сообществ во времени. На вновь образовавшихся косах и островах формируются преимущественно кустарниковые сообщества, со временем они вымирают, уступая место лесам, которые, достигнув зрелости, также прекращают свое существование. Процесс протекает быстрее в менее благоприятных условиях произрастания, в более низких, подтапливаемых в половодье внутренних частях островов. Вследствие этого леса остаются лишь на прирусловых валах. Возобновление ивы не происходит, и через 50–60 лет и здесь леса сменяются лугами и ежевичниками.

Результаты индикационного дешифрирования в существенной степени зависят от знания особенностей территории, формирующих ее факторов, взаимосвязей между компонентами природной среды, антропогенным воздействием на нее.

3.2. Автоматизированное (компьютерное) дешифрирование Цифровые аэрокосмические снимки могут быть представлены в различных форматах растровых изображений, например: TIFF (Tagged Image Format), HDF (Hierarchical Data Format), форматах специализированных пакетов обработки изображений. Следует учитывать, что в этих и некоторых других форматах снимки хранятся без потери информации, но существуют форматы для сжатого представления, при переводе в которое часть информации теряется (JPEG, GIF, PNG и др.).

Компьютерная обработка материалов дистанционного зондирования включает геометрические и яркостные преобразования и классификацию.

Большинство яркостных преобразований направлено на улучшение качества изображения для визуального дешифрирования на экране, но иногда путем преобразований можно получить нужный окончательный результат. Среди наиболее часто применяемых преобразований – повышение контрастности снимка для его наилучшего отображения, выполняемое путем изменения гистограммы значений яркости; фильтрация, квантование снимка по яркости, синтезирование цветных изображений, слияние (синергизм) снимков с разным пространственным разрешением, создание индексных изображений.

Квантование – способ яркостных преобразований одиночного снимка, заключающийся в группировке уровней яркости в несколько относительно крупных ступеней. В результате такого преобразования получают новое изображение, на котором мелкие детали, как бы "зашумляющие" изображение, исчезают, постепенное изменение яркости заменяется четкой границей и закономерности распределения яркостей на снимке становятся более отчетливо выраженными. Весь интервал яркостей (например, значений вегетационного индекса) может быть разделен на равные ступени. Но в большинстве случаев лучшего эффекта можно достигнуть, если границы новых ступеней выбирает дешифровщик, пользуясь при этом гистограммой или измеряя на снимке интервалы яркостей для каждого из интересующих его объектов. Квантование чаще используют в случаях неопределенных границ, постепенных переходов.

Яркостные преобразования многозонального снимка преследуют две основные цели: сжать информацию, т. е. получить одно изображение вместо нескольких, или улучшить визуальное восприятие снимка.

Синтез цветного изображения – простой и наиболее широко применяемый вид преобразования, при котором изображению в каждом из съемочных каналов присваивается свой цвет. Наиболее часто для синтеза используются зоны 0,5–0,6; 0,6–0,7 и 0,8–1,1 мкм или аналогичные им, которым присваивают соответственно синий, зеленый и красный цвета. Этот вариант синтеза называют стандартным.

Растительность на изображении имеет красные тона, что объясняется ее высокой яркостью в ближней инфракрасной зоне спектра. Если изменить комбинацию съемочных каналов и цветов и присвоить инфракрасной зоне зеленый цвет, можно получить цветопередачу, близкую натуральной (см. рис. 7). Синтезировать можно не только зональные снимки, составляющие многозональный, но также разновременные снимки и изображения, полученные в результате более сложных преобразований.

Для улучшения пространственного разрешения цветного изображения выполняется операция, называемая улучшением пространственного разрешения. Это другой вариант создания одного изображения из трех – одного с высоким разрешением (обычно это снимок в панхроматическом канале, но может быть и снимок другой съемочной системы, например радиолокационный), и двух зональных снимков, например в инфракрасном и красном каналах (рис. 12).

Математические операции с матрицами значений яркости пикселов двух цифровых снимков (сложение, умножение и др.) также относятся к простейшим преобразованиям. Наиболее часто вычисляется отношение значений яркости двух зональных изображений при работе с многозональными снимками и вычитание – при анализе двух разновременных. Широко распространено определение индексов, т. е. преобразование изображений, основанных на различиях яркости природных объектов в двух или нескольких частях спектра. Наибольшее количество индексов относится к дешифрированию зеленой, вегетирующей растительности, отделении ее изображения от других объектов, в первую очередь от почвенного покрова и водной поверхности.

Вегетационные индексы основаны на отношениях значений яркости в спектральных зонах, наиболее информативных для характеристики растительности – красной и ближней инфракрасной. Наиболее часто используют нормализованный разностный вегетационный индекс NDVI (Normalised Difference Vegetation Index), рассчитываемый по формуле NDVI= (БИК–К)/(БИК+К), где К – значение яркости в красной зоне, а БИК – в ближней инфракрасной.

Значения индекса изменяются в пределах от -1 до +1. Для растительности характерны положительные значения NDVI, и чем больше ее фитомасса, тем они выше. На значения индекса влияют также видовой состав растительности, ее сомкнутость, состояние, в меньшей степени экспозиция и угол наклона поверхности (рис. 13).

Индексные изображения создают на основе и других зональных соотношений. Например, содержание в воде фитопланктона определяют по различиям в синей и зеленой зонах, а концентрацию минеральных частиц (взвесей) – в красной и синей.

Более сложное преобразование – по методу главных компонент, направленное на оптимизацию изображения всех типов объектов, изобразившихся на многозональном снимке. Оно основано на переходе от спектральных зон снимка к новым изображениям, являющимся линейными комбинациями исходных зон (т. е. взвешенными суммами зональных значений яркости). Цветное синтезированное изображение первых трех главных компонент дает яркое, контрастное отображение всех объектов (хотя и в необычных цветах). Главные компоненты более высокого порядка обычно менее контрастны, изменения яркости в них соответствуют мелким деталям изображения либо шумам. Цвета на синтезированном изображении главных компонент не сопоставимы с физическими характеристиками объектов и для их интерпретации надо привлекать исходный многозональный снимок.

Классификация многозонального снимка предполагает компьютерное, программное распознавание объектов на снимке. Использование многозональных снимков для распознавания объектов основано на особенностях их спектральной отражательной способности, следствием которых являются различия яркостных характеристик на зональных снимках, благодаря чему человек воспринимает различия в цвете.

Классификация цифрового снимка заключается в группировке пикселов в соответствии с принятым правилом классификации.

Возможны два подхода. В первом случае классификация основана на признаках объектов, принадлежность которых к определенному классу на местности известна (например, признаки объектов на эталонных участках). Это контролируемая классификация (supervised classification), иногда называемая классификацией с обучением. Другой подход заключается в группировке пикселов со сходными уровнями яркости в съемочных зонах без предварительного знания числа и характеристик классов объектов на местности. Это неконтролируемая классификация (unsupervised classification), или кластеризация (cluster), которую иногда называют классификацией без обучения.

Смысл неконтролируемой классификации заключается в разделении всех пикселов изображения на группы (кластеры), название, спектральные характеристики и даже само существование которых предварительно неизвестны. Критерием отнесения пикселов к тому или другому кластеру служит схожесть спектральных характеристик. Выделенным кластерам присваиваются порядковые номера, а в задачу дешифровщика входит последующее определение их соответствия классам на земной поверхности. Этот способ чаще применяют при отсутствии достоверных эталонных данных: полевых наблюдений, спектрометрирования и т. д., а также как этап, предшествующий классификации с обучением.

Контролируемая классификация предполагает отнесение 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.

П е р в ы й э т а п заключается в определении, какие классы объектов будут выделены в результате выполнения всей процедуры. Это могут быть сообщества растительности, сельскохозяйственные культуры, породы леса, гидрографические объекты и т. д. Н а в т о р о м э т а п е для каждого из классов объектов выбираются типичные для него пикселы, т. е. формируется обучающая выборка. Т р е т и й э т а п – вычисление параметров, "спектрального образа" каждого из классов, сформированного в результате набора эталонных пикселов. Набор параметров зависит от алгоритма, который предполагается использовать для классификации. Ч е т в е р т ы й э т а п процедуры классификации – просмотр всего изображения и отнесение каждого пиксела к тому или иному классу.

Контролируемая классификация выполняется, как правило, при наличии достаточных эталонных данных, прежде всего в случае наличия данных полевых наблюдений. Особое значение имеет формирование обучающей выборки, поскольку от ее к а ч е с т в а в решающей степени зависит точность классификации.

Широко распространены три метода классификации с обучением (рис. 14). Метод классификации по минимальному расстоянию (Minimum Distance) основан на детерминированном подходе. Он прост в вычислительном отношении. 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 (Box Classifier) реализует наиболее простой алгоритм, основанный на статистическом подходе.

Он заключается в отнесении пикселов изображения к эталонным классам, в качестве характеристик которых 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 дает хорошие результаты, если спектральные характеристики изобразившихся на снимке объектов не пересекаются в пространстве признаков. М етод максимального правдоподобия (Maximum Likelihood) также основан на статистическом подходе. Смысл его 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. Этот метод обычно применяют в случаях, когда спектральные характеристики классов объектов мало различаются, как это часто бывает при распознавании растительных сообществ.

З а к л ю ч и т е л ь н ы й э т а п классификации — это оценка достоверности результатов, т. е. определение процентного отношения правильно определенных объектов к общему количеству классифицируемых. Достоверность классификации вначале оценивают визуально, выявляют грубые промахи и несоответствия. Затем переходят к количественной оценке, сравнивая результаты классификации с тестовыми участками, в качестве которых могут использоваться результаты наземных наблюдений, карты и снимки крупного масштаба, данные публикаций и фондовые материалы. Если полученные результаты не удовлетворяют исполнителя, он уточняет обучающую выборку (например, путем деления крупных классов на более мелкие) и затем повторяет процесс. Практический опыт показывает, что достоверности классификации в 90–95% можно добиться для 2–3 классов. Удовлетворительными считаются результаты, если правильно определены 70–85% классифицируемых объектов.