Способ идентификации типов растительности

 

Изобретение относится к сельскому хозяйству, в частности к дистанционному мониторингу сельскохозяйственных угодий, и может быть применен для оперативного обнаружения наркотических растений на фоне окружающей среды. Способ идентификации типов растительности включает получение изображения подстилающей поверхности в виде зависимости спектральной яркости I(х, у) от пространственных координат, разбивку изображения на мозаику участков, вычисление фрактальной размерности и автокорреляционной функции сигнала изображения каждого участка, сравнение с эталоном. Изображение регистрируют в зеленой полосе видимого спектра по двум взаимно ортогональным по поляризации каналам приема. Рассчитывают средний уровень сигнала изображения в каждом канале. Вычисляют попиксельные отношения I₁(х, у)I₂(x, у) изображений с большим средним к меньшему и формируют синтезированную матрицу изображений из этих соотношений. Методами пространственного дифференцирования выделяют контуры на синтезированном изображении. Рассчитывают числовые характеристики сигнала фрагментов изображений внутри выделенных контуров. По значениям коэффициентов фрактальной размерности и ширине автокорреляционной функции сигнала судят о принадлежности фрагмента изображения к данному типу растительности на нем. Технический результат состоит в повышении достоверности идентификации типов растительности. 5 ил.

Изобретение относится к сельскому хозяйству, в частности к дистанционному мониторингу сельскохозяйственных угодий, и может найти применение для оперативного обнаружения плантаций наркотических растений на фоне окружающей растительности.

Использование космических средств позволяет оперативно получать изображения подстилающей поверхности любого региона планеты. Для борьбы с производством и распространением наркотиков существует ряд международных и национальных программ, предусматривающих, в частности, задачу космического контроля за регионами постоянного возделывания наркотических растений в глобальном масштабе.

Чаще всего плантации наркотических растений маскируют среди посевов других растений, сходных по архитектуре стебля: конопля среди кукурузы, маки среди хлопчатника или тюльпанов. При этом селектируемые признаки наркотической растительности, такие как цвет, тон, как правило, совпадают с признаками фоновой растительности. Для повышения достоверности обнаружения плантаций наркотических растений следует использовать всю гамму признаков, содержащихся в изображении подстилающей поверхности.

Известен "Способ обнаружения аномалий подстилающей поверхности", патент РФ №2160912, кл. G. 01. V, 8/00. 2000 г.) - аналог. Способ-аналог включает получение изображения подстилающей поверхности в виде цифровой матрицы функции яркости I(х, у) от пространственных координат, разбиение изображения на сравнительно однородные по тону участки на основе априорных данных, вычисление фрактальной размерности каждого участка, составление матрицы эталонов из коэффициентов фрактальной размерности каждого участка, фиксацию аномалии по выходу разницы между текущим и эталонным значениями фрактальной размерности за пороговый уровень для анализируемого участка.

Недостатками аналога являются:

- неопределенность разбиения изображения на мозаику участков, приводящая к погрешности вычисления фрактальной размерности;

- не все независимые признаки изображения используются при идентификации аномалии, что снижает достоверность способа. Другим независимым признаком растительности служит "шероховатость" растительного полога или густота. Данный признак проявляется в виде изрезанности тона изображения при существенном изменении пространственного спектра и ширины автокорреляционной функции сигнала изображения.

Известен "Способ идентификации типов растительности", патент РФ №2116687, кл. G 01 С 11/00, А 01 G 23/00. 1998 г. - ближайший аналог.

В способе ближайшего аналога осуществляют дистанционную покадровую видеосъемку поверхности, содержащую в том числе и эталонные контрольные площадки, разбивают видеокадр на последовательность единичных участков, преобразуют изображение каждого участка в цифровую функцию интенсивности, вычисляют пространственный спектр Фурье функции интенсивности и физических размеров элементарного участка, получают из пространственного спектра энергетический спектр сигнала изображения, вычисляют обратным Фурье-преобразованием автокорреляционную функцию сигнала изображения, рассчитывают эталонную регрессионную зависимость между параметрами автокорреляционных функций для различных типов растительности на контрольных площадках, синтезируют из последовательно проанализированных единичных участков мозаичную картину растительности из отснятых видеокадрах по всей площади наблюдения.

Недостатками ближайшего аналога являются:

- неопределенность разбиения изображения на мозаику участков, приводящая к погрешности расчета автокорреляционной функции сигнала в пограничных областях;

- не все независимые признаки изображения используются при идентификации, что снижает достоверность способа;

- малая контрастность изображений смежных участков, не позволяющая отличить аномалию от фона.

Задача, решаемая заявляемым изобретением, заключается в повышении достоверности идентификации типов растительности путем подчеркивания поляризационного контраста между двумя изображениями в двух взаимно ортогональных по поляризации каналах приема, вычисления попиксельных отношений матриц изображений и использования совокупности гаммы признаков синтезированного изображения.

Решение поставленной задачи обеспечивается тем, что в способе идентификации типов растительности, при котором получают изображение подстилающей поверхности в виде зависимости спектральной яркости I(x, y) от пространственных координат, разбивают изображение на мозаику участков, вычисляют фрактальную размерность и автокорреляционную функцию сигнала изображения каждого участка и сравнивают их с эталонными, дополнительно изображение регистрируют в зеленой полосе видимого спектра по двум взаимно ортогональным по поляризации каналам приема, рассчитывают средний уровень сигнала изображения в каждом канале, вычисляют попиксельные отношения I₁ (х, у)/I₂(х, у) изображений с большим средним к меньшему и формируют синтезированную матрицу из стих отношений, методами пространственного дифференцирования выделяют контуры на синтезированном изображении, рассчитывают числовые характеристики сигнала фрагментов изображений внутри выделенных контуров и по значениям коэффициентов фрактальной размерности к ширине автокорреляционной функции сигнала судят о принадлежности фрагмента изображения к данному типу растительности на нем.

Изобретение поясняется чертежами, где:

фиг.1 - функции спектральной яркости растительности в фенофазе стеблевания: мак, хлопчатник, лен, конопля;

фиг.2 - синтезированная матрица изображения подстилающей поверхности;

фиг.3 - выделенный контур на синтезированном изображении;

фиг.4 - функция регрессий эталонных значений параметров на контрольных участках;

фиг.5 - функциональная схема устройства, реализующая способ.

Вновь введенные операции, такие как прием сигнала по двум взаимно ортогональным поляризациям, формирование синтезированной матрицы изображения, выделение контуров и обработка сигнала внутри выделенного контура, обеспечивают достижение новых качественных свойств, как:

- контрастирование участков наркотических растений на фоне растительности других типов;

- использование нескольких селектируемых признаков при идентификации;

- выделение точной геометрической формы (границ) анализируемых участков.

Это позволяет утверждать о соответствии заявляемого технического решения критерию "изобретательский уровень".

Техническая сущность изобретения заключается в следующем. Отражательные свойства растительности оценивают коэффициентом спектральной яркости (КСЯ). Зеленые растения в процессе фотосинтеза поглощают до 93% излучений видимого диапазона и лишь небольшой минимум поглощения солнечного света пигментами растений вблизи λ ≈ 550 нм придает растительности зеленую окраску. КСЯ растительных покровов невелик и составляет всего лишь единицы процентов. Он зависит от фенофазы развития растений (сезона года), пространственной структуры полога (проективного или листового покрытия), степени увлажненности растительности и почв места произрастания. У всех вегетирующих растений функции КСЯ от длины волны (λ ) имеют примерно одинаковый ход и изменяются в интервале от 1,5 до 14%, причем разница КСЯ отдельных видов растительности в спектральных полосах составляет иногда доли процента.

На фиг.1 представлены функции спектральной яркости растительности: мак, хлопчатник, лен, конопля в фенофазах стеблевания (см., например, Д.И.Чапурский “Отражательные свойства природных объектов в диапазоне 400... 2500 мм”, часть I, Мин. Обороны СССР, 1986 г., стр. 130-132). Выделение типов растительности на спектрозональных изображениях только по индексу цветности практически невозможно, поскольку вся растительность зеленая. В значительно больших интервалах, чем абсолютная величина КСЯ (единицы %), изменяются отношения КСЯ видов растительности в различных участках спектра. Это обусловлено рядом морфологических факторов видов растительности:

- разница увлажненного приповерхностного слоя почвы из-за разницы густоты посевов и корневых систем;

- сдвинутые на временном лаге в несколько дней фенофазы развития растений: стадий вегетации, роста приспевания для кукурузы, конопли, льна, хлопчатника, мака в одних и тех же зонах произрастания;

- разница в "шероховатости" отражающего солнечный свет растительного полога из-за разницы высоты и густоты видов растительных участков;

- отличия в архитектуре единичных экземпляров растений и фрактальной размерности их изображения;

- различия в цветовой насыщенности фенофаз (светлозеленые, темнозеленые, фиолетово-синие и т.д.);

- отличия в поляризационных характеристиках отраженного светового потока из-за архитектуры растений и степени их увлажненности.

Установлено (см., например, Выгодская Н.Н., Горшкова И.И. "Теория и эксперимент в дистанционных исследованиях растительности", Л., Гидрометеоиздат, 1987 г., стр. 57-64), что коэффициент поляризуемости (отношение полуосей эллипса поляризации) отраженного светового потока от различных видов растительности изменяется в интервале 0,6... 0,8. Если принимать отраженный от растительности световой поток по двум взаимно ортогональным по поляризации каналам приема, то вследствие одновременного воздействия всех перечисленных выше факторов уровень сигнала в этих каналах для различных типов растительности будет существенно отличаться.

Разница поляризаций в каналах приема преобразуется в разницу амплитуд пикселов изображений. Для обеспечения контраста вычисляют математические ожидания сигналов в каждом канале и формируют синтезированную матрицу из попиксельных отношений изображений с большим средним к меньшему. При этом попиксельные отношения изменяются не на единицы %, а в несколько раз.

Расчет синтезированной матрицы изображения реализуется следующей программой:

Результат программного расчета синтезированной матрицы изображения иллюстрируется фиг.2. Из представленного рисунка следует, что контраст между двумя типами растительности после программной обработки по операциям заявляемого способа наблюдается на синтезированном изображении визуально. Для автоматизированного выделения контуров на синтезированном изображении используют стандартные математические процедуры пространственного дифференцирования (см., например. Дуда Р., Харт П. "Распознавание образов и анализ сцен", перевод с англ., М., Мир, 1976 г., стр. 287-288, §7.3 "Пространственное дифференцирование"). Известны маски операторов пространственного дифференцирования Робертса, Собела, Лапласа. Процедура пространственного дифференцирования является стандартной математической операцией, входящей в комплект специализированного программного обеспечения ЕР MAPPER (см., например, "Пакет программ для обработки изображений в науках о Земле", EP MАPРЕR, GENASYS San Diego, р.283-294).

Результат программного вычисления контуров на анализируемом изображении иллюстрируется распечаткой с ПЭВМ фиг.3. После обнаружения аномалии на анализируемом изображении и выделения контуров осуществляют по операциям аналога и прототипа расчет числовых характеристик сигнала фрагмента изображения внутри выделенного контура. Предварительно по результатам зондирования эталонных участков строят калибровочную регрессионную функцию зависимости фрактальных коэффициентов и ширины автокорреляционной функции от типа растительности на этих участках.

Функция регрессии эталонных значений параметров для типов растительности на контрольных участках представлена на фиг.4. Как следует из способа-аналога и прототипа, интервал значений коэффициента фрактальной размерности изображений растительности Д_s∈ [2,1... 2,56], а ширина автокорреляционных функций сигналов r∈ [0,1... 0,8] м. Идентификацию принадлежности участка к тому или другому виду растительности на нем проводят по значению текущих расчетных параметров: фрактальной размерности и ширине автокорреляционной функции сигнала.

Пример реализации способа

В настоящее время при дистанционных исследованиях Земли из космоса используются средства так называемого “химического зрения”, позволяющие регистрировать спектральную яркость с разрешением в видимом диапазоне ≈ 1 нм. К числу таких приборов относится гиперспектрометр высокого разрешения "Астрогон" (см., например, “Малый космический аппарат "Вулкан-Астрогон" с гиперспектрометром высокого разрешения". Инженерная записка к эскизному проекту системы "Вулкан", РАКА, НИИЭМ, М., 2002, стр. 8-11). Гиперспектрометр "Астрогон" обеспечивает съемку в двух взаимно ортогональных по поляризации каналах в диапазоне 260-900 нм с получением изображений в каждой из полос спектра шириной до 10 нм одновременно.

Рассмотренный способ может быть реализован по схеме фиг.5. Функциональная схема устройства фиг.5 содержит систему космической видовой разведки 1 в составе космического аппарата КА 2 типа "Вулкан" с установленным на его борту гиперспектрометром 3 типа "Астрогон", осуществляющим съемку подстилающей поверхности в полосе сканирования 4 путем включения над заданным районом земного шара по программам, закладываемым в бортовой комплекс управления БКУ 5, посредством совмещенной радиолинии управления РЛУ 6 из Центра управления полетом ЦУП 7. Последовательность отснятых гиперспектрометром 3 кадров изображения подстилающей поверхности записывается в бортовое запоминающее устройство БЗУ 8 и сбрасывается по совмещенной РЛУ 6 в сеансах видимости КА 2 на наземных пункты приема информации ППИ 9, где записывается на видеомагнитофон 10 типа “Арктур”. По запросам потребителей информации в виде изображений контролируемых природных образований перегоняется в аналитический центр обработки 11, где создается долговременный архив космических снимков 12. Анализ космических снимков и идентификацию объектов подстилающей поверхности осуществляют путем программной обработки отдельных кадров на станции обработки 13: ПЭВМ типа CУ в стандартном наборе элементов: процессора 14, оперативного запоминающего устройства 15, винчестера 16, дисплея 17, принтера 18 и клавиатуры 19. На дисководе 20 создают базу данных с изображениями эталонных (ключевых) участков наркотической растительности на них. Характеристики идентифицированных участков наркотической растительности на анализируемых изображениях подстилающей поверхности заносят в базу данных 21 и выводят на сервер 22 сети "Интернет" для передачи по паролю доступа заинтересованным организациям.

Процедуру идентификации типа растительности по операциям заявляемого способа проиллюстрируем на призере отдельного видеокадра. Комплект программ специализированного программного обеспечения ER MAPPER предварительно записывают на винчестер 16. На нем же в виде отдельного файла записывают программу форматирования синтезированного изображения. Анализируемые изображения с присвоенным адресом файла вводят в ПЭВМ 13. Осуществляют по командам, набираемым на клавиатуре 19, программный расчет синтезированной матрицы. Результат выполнения данной процедуры иллюстрируется фиг.2. Выполняют процедуру выделения контуров на синтезированном изображении. Результат выполнения процедуры иллюстрируется фиг.3. Рассчитывают текущие числовые характеристики (по операциям аналога и прототипа) сигнала изображения внутри выделенного контура. Выводят на дисплей эталонную функцию регрессии (из базы 20) и визуально сравнивают текущие значения числовых характеристик с эталонными. По результатам сравнения принимают решение о типе растительности на анализируемом участке.

Положительный эффект заявляемого способа основан на предварительном поляризационном контрастировании изображений растительности и последующей идентификации типа по двум независимым признакам изображения: фрактальной размерности и "шероховатости". В совокупности использование трех перечисленных операций повышает достоверность способа.

Формула изобретения

Способ идентификации типов растительности, при котором получают изображение подстилающей поверхности в виде зависимости спектральной яркости I(х, у) от пространственных координат, разбивают изображение на мозаику участков, вычисляют фрактальную размерность и автокорреляционную функцию сигнала изображения каждого участка и сравнивают их с эталонными, отличающийся тем, что изображение регистрируют в зеленой полосе видимого спектра по двум взаимно ортогональным по поляризации каналам приема, рассчитывают средний уровень сигнала изображения в каждом канале, вычисляют попиксельные отношения I₁(х, у)I₂(х, у) изображений с большим средним к меньшему и формируют синтезированную матрицу изображений из этих соотношений, методами пространственного дифференцирования выделяют контуры на синтезированном изображении, рассчитывают числовые характеристики сигнала фрагментов изображений внутри выделенных контуров и по значениям коэффициентов фрактальной размерности и ширине автокорреляционной функции сигнала судят о принадлежности фрагмента изображения к данному типу растительности на нем.

РИСУНКИ