Анализ динамических процессов с использованием методов сегментации спутниковых изображений высокого разрешения

Рассматривается задача анализа динамических изменений количества зеленых насаждений на спутниковых снимках высокого пространственного разрешения. Рассмотрены основные подходы к анализу спутниковых изображений, а также рассмотрены основные методы сегментации и эффективность их применения к спутниковых изображениям. Предложен метод сегментации спутниковых изображений высокого разрешения для анализа динамических процессов, включающий в себя комбинацию различных методов сегментации, таких как метод сдвига среднего значения, метод кластеризации k-means, пороговый метод. Создан программный продукт, решающий задачу анализа динамических изменений количества зеленых насаждений на спутниковых изображениях. Приводятся результаты экспериментов на реальных изображениях, подтверждающие эффективность предложенного метода.

Введение …………………………………………………………………………………………………………………………3
Постановка задачи ………………………………………………………………………………………………………5
1. Обзор литературы …………………………………………………………………………………………………..9
1.1 Основные направления методов определения местности на
спутниковых изображениях ………………………………………………………………………………..9
1.1.1 Спектральный анализ…………………………………………………………………..9

1.1.2 Текстурные методы …………………………………………………………………… 10

1.1.3 Смешанная обработка ………………………………………………………………. 11

1.2 Общие методы сегментации изображений и их применение к
спутниковым изображениям …………………………………………………………………………… 13
1.2.1 Пороговые методы. Адаптивный порог ……………………………… 14

1.2.2 Метод водоразделов ………………………………………………………………….. 14

1.2.3 Выделение границ при помощи оператора Лапласа………. 15

1.2.4 Метод сдвига среднего значения ………………………………………….. 16

2. Выбор методов решения …………………………………………………………………………………… 18
2.1 Предобработка. Метод сдвига среднего значения …………………. 18
2.2 Кластеризация. Метод k-средних …………………………………………………. 20
2.3 Выделение зеленых насаждений. Пороговый метод …………….. 21
3. Создание системы анализа динамического изменения степени
озеленения местности ……………………………………………………………………………………………. 22
3.1 Реализация алгоритма ……………………………………………………………………… 23
3.2. Тестирование ……………………………………………………………………………………… 29
4. Заключение ……………………………………………………………………………………………………………. 33
Выводы ………………………………………………………………………………………………………………………… 34
Список литературы …………………………………………………………………………………………………. 35

1. Gurudatta V., Anuja A. K-Means Clustering Algorithm with Color-
based Thresholding for Satellite Images // International Journal of Computer
Applications (0975 – 8887) Volume 105 – No. 11, pp 17-20, November 2014.
2. Пестунов И. А., Мельников П. В. Информативность систем
текстурных признаков для классификации спутниковых изображений с
высоким пространственным разрешением // Интерэкспо Гео-Сибирь.
2012. №4.
3. Санаев И. В. Роль зеленых насаждений в создании оптимальной
городской среды // Вестник МГУЛ – Лесной вестник. 2006. №6.
4. Санаева Т. С. Деградация травянистой растительности на
объектах озеленения города // Вестник МГУЛ – Лесной вестник. 2012.
№1 (84).
5. Пестунов И.А., Бериков В.Б., Синявский Ю.Н. Сегментация
многоспектральных изображений на основе ансамбля
непараметрических алгоритмов кластеризации // Вестник Сибирского
Государственного аэрокосмического университета им. академика
М.Ф. Решетнева. 2010. № 5(31). С. 56-64.
6. Cheng Y. Mean shift, mode seeking, and clustering // IEEE
Transactions on Pattern Analysis and Machine Intelligence. 1995. Vol. 17.
No. 8. P. 790-799.
7. Официальный сайт проекта Google Earth.
URL:https://www.google.com/earth/.
9. The OpenCV Reference Manual , Release 2.4.13.7
10. Wang L. Semi-supervised classification for hyperspectral imagery
based on spatial-spectral label propagation // ISPRS Journal of
Photogrammetry and Remote Sensing. – 2014. -Vol. 97. – P. 123-137.
11. Luo R. Spectral-spatial classification of hyperspectral images with
semi-supervised graph learning // SPIE Remote Sensing. – International
Society for Optics and Photonics, 2016.
12. Yang L. Semi-supervised hyperspectral image classification using
spatio-spectral Laplacian support vector machine // IEEE Geoscience and
Remote Sensing Letters. – 2014. -Vol. 11. – N. 3. – P. 651-655.
13. Wang A., Wang S., Lucieer A. Segmentation of multispectral high-
resolution satellite imagery based on integrated feature distributions //
International Journal of Remote Sensing. -2010. – Vol. 31. – N. 6. – P. 1471-
1483.
14. Plaza A., Du Q., Biouoas-Dias J. Foreword to the special issue on
spectral unmixing of remotely sensed data // IEEE Transactions on
Geoscience and Remote Sensing. 2011. Vol. 49, No. 11. P. 4103-4110.
15. Потатуркин О. И., Борзов С. М., Потатуркин А. О., Узилов С. Б.
Методы и технологии обработки мульти-и гиперспектральных данных
дистанционногозондированияЗемливысокогоразрешения//
Вычислительные технологии, №18. 2013. C. 60-67.
16. Борзов С. М., Потатуркин А. О. Сегментация спутниковых
изображенийвысокогоразрешениясучетомихструктурных
особенностей // Интерэкспо Гео-Сибирь. 2013. №1.
17. Фраленко В. П. Методы текстурного анализа изображений,
обработка данных дистанционного зондирования Земли //
Программные системы: теория и приложения, №5. 2014. С. 19–39.
18. Мицель А. А., Колодникова Н. В., Протасов К. Т.
Непараметрический алгоритм текстурного анализа аэрокосмических
снимков // Изв. Томского политехнич. университета, 2005. Т. 308, № 1, С.
65–70.
19. Кутлунин П. Е.. Методы обработки изображений с импульсным
шумом на основе алгоритма кластеризации: дис. … канд. техн. наук. 2017.
20. Путятин Е.П., Панченко Д.С. Сравнительный анализ методов
сегментации изображений. // Радиоэлектроника и информатика.–
1999.– №4(9). – С. 109–114.
21. Luus F., Salmon B., Van Den Bergh F., Maharaj B. Multiview deep
learning for land-use classification // IEEE Geosci. Remote Sens. Lett., vol. 12,
no. 12, pp. 2448-2452, 2015.
22. Rußwurm M., Körner M. Multi-Temporal Land Cover Classification
with Sequential Recurrent Encoders // ISPRS Int. J. Geo-Inf. 2018, 7, 129.
23. Samal D.R., Gedam S.S. Monitoring land use changes associated with
urbanization: An object based image analysis approach // Eur. J. Remote Sens.
2015, 48, 85-99.
24. Mekhalf M. L., Melgani F., Bazi Y., Alajlan N. Land-use classification
with compressive sensing multifeature fusion // IEEE Geosci. Remote Sens.
Lett., vol. 12, no. 10, pp. 2155-2159, 2015.