Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 1. С. 246-253
Исследование текстурных признаков космических изображений объектов с применением вейвлет-анализа
Л.Г. Евстратова
1 , А.А. Антошкин
2 1 Государственный университет по землеустройству, Москва, Россия
2 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 09.02.2024
DOI: 10.21046/2070-7401-2024-21-1-246-253
На текущий момент при распознавании объектов по изображениям широко применяется количественный анализ их спектрально-отражательных свойств. В свою очередь, за счёт привлечения текстурных признаков, которые являются одной из важных характеристик природных и антропогенных объектов, существует возможность повысить достоверность методов интерактивной и автоматизированной обработки изображений. Обработка сигнала с применением вейвлет-анализа позволяет существенно сжать объём информации, отбросить мелкие детали и выделить его наиболее существенные особенности. В работе рассматривается задача выявления изменений по разновременным космическим снимкам сверхвысокого пространственного разрешения на местности с применением вейвлет-анализа без привлечения дополнительной информации на примере зарастания участков залежных земель древесно-кустарниковой растительностью. Экспериментальные исследования выполнены на тестовых (текстуры из альбома Бродатца) и реальных космических изображениях QuikBird и WorldView. Численные эксперименты подтвердили возможность использования коэффициентов вейвлет-преобразования Добеши в качестве текстурного признака для распознавания сегментов на изображениях, относящихся к разным природным объектам. Полученный уровень достоверности определения контуров зарастания для исследуемых территорий показывает эффективность применения описанной методики. Использование полученных результатов на практике позволит существенно сократить временные затраты по тематической обработке космических снимков на обширные территории для локализации зарастания древесно-кустарниковой растительностью заброшенной пашни. Эта задача актуальна для информационного обеспечения мониторинга состояния и использования земель сельскохозяйственного назначения.
Ключевые слова: космические изображения, текстурные признаки, вейвлет-анализ, выявление изменений
Полный текстСписок литературы:
- Блаттер К. Вейвлет-анализ. Основы теории / пер. с нем. Т.Э Кренкеля; под ред. А. Г. Кюркчана. М.: Техносфера, 2004. 280 с.
- Гонсалес Р., Вудс Р. Цифровая обработка изображений / пер. с англ.; под ред. П. А. Чочиа. М.: Техносфера, 2005. 1072 c.
- Гук АП., Евстратова Л. Г., Хлебникова Е. П., Алтынцев М.А., Арбузов С.А., Гордиенко А.С., Гук А.А. Автоматизированное дешифрирование аэрокосмических снимков. Выявление изменений состояния территорий и объектов по многозональным космическим снимкам, полученным на разные даты // Геодезия и картография. 2013. № 8. С. 39–44.
- Дмитриев Е. В., Мельник П. Г., Донской С. А. и др. Повышение эффективности текстурной сегментации лесного полога по изображениям сверхвысокого пространственного разрешения // Лесной вестн. 2023. Т. 27. № 5. С. 25–36. DOI: 10.18698/2542-1468-2023-5-25-36.
- Добеши И. Десять лекций по вейвлетам / пер. с англ. Е. Мищенко; под ред. А. Петухова. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. 464 с.
- Пантюшин В. А. Оценка информативности текстуры и структуры цифровых изображений // Землеустройство, кадастр и мониторинг земель. 2020. № 6. С. 48–53.
- Пестунов И. А., Рылов С. А., Бериков В. Б. Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений // Автометрия. 2015. Т. 51. № 4. С. 12–22.
- Плотников Д. Е., Колбудаев П. А., Барталев С. А. и др. Автоматическое распознавание используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 112–127. DOI: 10.21046/2070-7401-2018-15-2-112-127.
- Трусенкова О. О., Лобанов В. Б., Ладыченко С. Ю. Оценка сдвигов частоты инерционных колебаний в центральной части Японского моря по данным поверхностных буёв // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 1. С. 205–218. DOI: 10.21046/2070-7401-2023-20-1-205-218.
- Шинкаренко С. С., Барталев С. А. Анализ влияния видового состава, проективного покрытия и фитомассы растительности аридных пастбищных ландшафтов на их спектрально-отражательные свойства по данным наземных измерений // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 3. С. 176–192. DOI: 10.21046/2070-7401-2023-20-3-176-192.
- Adebayo T. S., Oladipupo S. D., Adeshola I. et al. Wavelet Analysis of Impact of Renewable Energy Consumption and Technological Innovation on CO2: evidence from Portugal // Environmental Science and Pollution Research. 2022. V. 29. P. 23887–23904. DOI: 10.1007/s11356-021-17708-8.
- El Mahdaoui A., Ouahabi A., Moulay M. S. Image Denoising Using a Compressive Sensing Approach Based on Regularization Constraints // Sensors. 2022. V. 22. Article 2199. DOI: 10.3390/s22062199.
- Fan C., Myint S. W., Rey S. J. et al. Time series evaluation of landscape dynamics using annual Landsat imagery and spatial statistical modeling: Evidence from the Phoenix metropolitan region // Intern. J. Applied Earth Observation and Geoinformation. 2017. V. 58. P. 12–25. DOI: 10.1016/j.jag.2017.01.009.
- Galford G. L., Mustard J. F.; Melillo J. et al. C. E. P. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil // Remote Sensing of Environment. 2008. V. 112. P. 576–587. DOI: 10.1016/j.rse.2007.05.017.
- Gendrin A., Langevin Y., Bibring J.-P. et al. New Method to Investigate Hyperspectral Image Cubes: An Application of the Wavelet Transform // J. Geophysical Research. 2006. V. 111. Iss. E10. DOI: 10.1029/2004JE002339.
- Ghaderpour E., Vujadinovic T. Change Detection within Remotely Sensed Satellite Image Time Series via Spectral Analysis // Remote Sensing. 2020. V. 12. Article 4001. DOI: 10.3390/rs12234001.
- Haralick R. M. Statistical and Structural Approaches to Texture // Proc. IEEE. 1979. V. 67. P. 786–804. https://doi.org/10.1109/PROC.1979.11328.
- Meng Y., Liu X., Wu L. et al. Spatio-temporal variation indicators for landscape structure dynamics monitoring using dense normalized difference vegetation index time series // Ecological Indicators. 2019. V. 107. Article 105607. DOI: 10.1016/j.ecolind.2019.105607.
- Ramírez-Juidias E., Amaro-Mellado J.-L., Antón D. Wavelet Analysis of a Sentinel-2 Time Series to Detect Land Use Changes in Agriculture in the Vega Alta of the Guadalquivir River: Cantillana Case Study (Seville) // Remote Sensing. 2023. V. 15. Article 5225. DOI: 10.3390/rs15215225.
- Rhif M., Ben Abbes A., Farah I. et al. Wavelet Transform Application for/in Non-Stationary Time-Series Analysis: A Review // Applied Sciences. 2019. V. 9. Article 1345. DOI: 10.3390/app9071345.
- Sibiya B., Lottering R., Odindi J. Discriminating commercial forest species using image texture computed from a WorldView-2 image and partial least squares discriminant analysis // Remote Sensing Applications: Society and Environment. 2021. V. 23. Article 100605. DOI: 10.1016/j.rsase.2021.100605.