Per aspera ad astra.

Главная страница | Методики | Карты | Программы | Справка | Проекты | Ссылки
  • Как отсканировать топографическую карту или, почему 508 — число круглое.
  • Как отсканировать тематическую карту.
  • Тематическое цветоделение. Что это такое и как делается.
  • Как построить градусную координатную сетку.
  • Как построить километровую сетку.
  • Некоторые способы оценки воздействия.
  • Как компенсировать разницу освещённости северных и южных склонов.
  • Как выровнять яркостные характеристики двух изображений.
  • Как получить схему покрытия снимков Terra/Aster и отобрать наилучшие снимки.
  • Как получить производные спутниковых снимков Terra/Aster (TerraLook).
  • Как выровнять яркостные характеристики двух изображений.

    Mutatis mutandis.

    Изменив то, что следует изменить.

    Теория.

    Выравнивание яркостных характеристик (histogram matching) используется для создания бесшовных мозаик, состоящих из двух и более исходных растровых изображений, например, космических снимков или их производных. Такие мозаики представляют собой удобный материал для визуального анализа местности, а при удачном стечении обстоятельств и для автоматической интерпретации ДДЗ. Работать с мозаиками в некоторых случаях оказывается более удобно, чем с исходными изображениями из-за более широкого охвата территории. Если для ваших целей предполагается производить однотипные операции с отдельными исходными изображениями, то возможно мозаика сделает работу более комфортной.
    Перед тем, как объединить два исходных изображения в одно, необходимо проделать дополнительную операцию — выравнивание яркостных характеристик (histogram matching). Дело в том, что одни и те же объекты на разных спутниковых снимках будут иметь разные яркостные характеристики (DN, digital number — значение пикселя). DN зависит от множества причин — от времени суток, от сезона, от метеорологических условий, от особенностей сенсора и т. д. Если просто объединить два исходных изображения в одно без выравнивания яркостных характеристик, чаще всего результат получается далёким от совершенства (рис. 1).

    Исходные отдельные изображения. Мозаика без выравнивания яркостных характеристик.
    Рисунок 1. Исходные отдельные изображения (слева) и изображения, объединённые в мозаику без выравнивания яркостных характеристик. (справа).

    В приведённом выше примере использованы производные продукты снимков спутника Terra сенсора Aster — коллекция TerraLook, изображения Aster (2000->), доступные для бесплатного скачивания на сайте Геологической службы США через сервис GloVis (http://glovis.usgs.gov). Это производные снимков Aster SC:AST_L1A.003:2034157654 (слева) и SC:AST_L1A.003:2036446243 (справа), сделанные 06 мая 2006 года в 09:56:27.0 и 24 августа 2006 года в 10:08:56.0, соответственно. Территория — самый запад Кольского полуострова. Высота стояния солнца в момент съёмки — 38 и 32.5°, соответственно. Это разносезонные снимки, сделанные в высоких широтах (~65.5° северной широты), где вегетационный период короток. На первом (слева) ещё ранняя весна: местами лежит снег; на озёрах — лёд; лиственные деревья, судя по всему, ещё не полностью распустились; на болотах тоже вегетация ещё в самой ранней стадии. На втором — конец августа: местами уже лежит снег, растительность в конце вегетации (частично пожухла). К счастью, оба снимка безоблачные и азимут солнца в момент съёмки почти одинаков (178° и 181°, соответственно). Снимки были перепроецированы в систему координат 1942 года на эллипсоид Красовского в проекцию Альберса для Европейской части России (параметры проекции). Цена пикселя — 15 метров.
    Простое объединение этих двух изображений не дало желаемого результата. Весенний снимок, имеющий более низкие DN, объединённый в мозаику с летним, получился заметно более тёмным и на нём практически неразличимы детали. Если же подстроить гистограмму таким образом, чтобы весенний снимок стал более читаемым, летний окажется пересвеченным и детали пропадут в нём. Подстраивать же гистограмму каждый раз при перемещении из одной части мозаики в другую окажется даже ещё менее удобно, чем работать с отдельными изображениями. Для комфортной работы с этой парой снимков, объединённых в мозаику, необходимо выравнивание яркостных характеристик.
    Зададимся целью объединить вышеупомянутые изображения в мозаику таким образом, чтобы цветовая граница была незаметна или малозаметна и чтобы при этом оба изображения не потеряли информативность и читаемость. Привлекать внешние источники информации, например, третий снимок, не будем. Для начала попробуем обойтись штатными средствами. Erdas Imagine предоставляет возможность производить цветовую коррекцию при объединении двух или более изображений в мозаику (Data preparation — Mosaic Images...). В качестве базового (он помечен крестиком в таблице объединяемых изображений в колонке "Ref." пример ) возьмём летний снимок, потому что у него во всех трёх каналах более широкий динамический диапазон (Рис. 2).

    Весенний снимок.
    Летний снимок.
    Рисунок 2. Гистограммы исходных изображений — весеннего снимка (вверху) и летнего (внизу).

    Далее нужно сделать соответствующие настройки в меню Color Correction. Цветовую коррекцию можно производить ориентируясь...
    1) на гистограмму целых снимков (For All Images);
    2) только на на гистограмму перекрывающихся участков (Overlap Areas);
    3) на гистограмму какого-нибудь третьего эталонного снимка (Use external reference — Image file);
    4) на коэффициенты пересчёта, если мы таковые знаем (Use external reference — Parameters).
    Попробуем произвести цветовую коррекцию разными способами. В качестве внешнего эталонного изображения в третьем случае возьмём летний снимок. В качестве параметров в четвёртом случае будем использовать среднее арифметической (Mean) и стандартное отклонение (Standard deviation) каналов летнего снимка. Результаты объединения двух изображений в мозаику с помощью разных вариантов цветовой коррекции приведены на рис. 3.

    Выравнивание яркостных характеристик по целому изображению. Выравнивание яркостных характеристик по области перекрытия.
    Выравнивание яркостных характеристик по внешнему эталонному изображению. Выравнивание яркостных характеристик по введённым параметрам.
    Рисунок 3. Изображения, объединённые в мозаику с выравниванием яркостных характеристик...
    1 — по целому изображению (For All Images)
    2 — по области перекрытия (Overlap Areas)
    3 — по внешнему эталонному изображению (Use external reference — Image file)
    4 — по введённым параметрам (Use external reference — Parameters)

    Все четыре полученных варианта мало отличаются между собой. Во втором варианте статистика, собранная по области перекрытия, не сильно отличатеся от таковой, собранной по целым снимкам, поскольку перекрытие довольно велико (почти половина снимка). В третьем варианте в качестве внешнего эталоного изображения был использован один из объединяемых снимков (летний), поэтому статистика получилась такая же, как и в первом варианте. Четвёртый эксперимент тоже дал схожий результат, потому что в качестве параметров были использованы характеристики каналов летнего снимка.
    Теперь рассмотрим с пристрастием результат. На рис. 4 приведён фрагмент исходного летнего снимка и этот же самый участок на мозаике после цветовой коррекции методом уравнивания гистограм по области перекрытия (Overlap Areas). Другие методы цветовой коррекции дали очень похожий результат.

    Фрагмент исходного летнего снимка. Мозаика после цветовой коррекции.
    Рисунок 4. Фрагмент исходного летнего снимка (слева) и этот же самый участок на мозаике (справа) после цветовой коррекции методом уравнивания гистограм по области перекрытия (Overlap Areas).

    В глаза бросаются недочёты. Хвойные породы приобрели глубоко-насыщенный синий цвет и неотличимы от водоёмов. Песчаные наносы имеют грязно-жёлто-коричневый оттенок вместо чисто-белого, какой в норме имеет силикатный песок. Лёд и снег получились серого цвета. Искажения цветов относятся не только вышеперечисленных объектов. Сдвиг в спектральных характеристиках коснулся всего изображения в целом. Весенний снимок получился бледным, малоконтрастным, трудночитаемым. Производить визуальный анализ по такой мозаике будет весьма затруднительно.
    Рассмотрим статистику и гистограммы весеннего снимка до и после цветовой коррекции и сравним их со статистикой и гистограммой летнего снимка на примере 2-го (зелёного) канала (рис. 5).

    Гистограмма весеннего снимка до цветовой коррекции.
    Minimum: 1
    Maximum: 255
    Mean: 59.462731
    Standard Deviation: 38.150802
    Весенний снимок до цветовой коррекции.
    Гистограмма весеннего снимка после цветовой коррекции.
    Minimum: 1
    Maximum: 255
    Mean: 125.782855
    Standard Deviation: 34.853645
    Весенний снимок после цветовой коррекции.
    Гистограмма летнего снимка.
    Minimum: 1
    Maximum: 255
    Mean: 125.767357
    Standard Deviation: 34.7669782
    Летний снимок.
    Рисунок 5.

    Красной линией показано среднее арифметическое (Mean), синими линиями — стандартное отклонение (Standard Deviation). Суть уравнивания яркостных характеристик, реализованного в Erdas Imagine, состоит в пересчёте DN исходного изображения таким образом, чтобы по крайней мере 5 контрольных точек значений яркостей, совпали с таковыми базового изображения:
    1) минимальное значение;
    2) максимальное значение;
    3) среднее арифметическое;
    4) среднее арифметическое + стандартное отклонение;
    5) среднее арифметическое − стандартное отклонение.
    На примере второго (зелёного) канала рассмотрим, каким образом изменяются яркостные характеристики различных объектов и каким образом происходит пересчёт яркостей в процессе цветовой коррекции (рис. 6).

    Яркостные характеристики различных объектов.
    Рисунок 6. Яркостные характеристики различных объектов. По оси OX отложены яркости 2-го канала весеннего снимка до цветовой коррекции, по оси OY — яркости 2-го канала летнего снимка. Цветные точки — яркостные характеристики различных объектов. Малиновая линия — кривая пересчёта яркостей в процессе цветовой коррекции по зоне перекрытия снимков в Erdas Imagine. Бледно-зелёным цветом отмечен диапазон яркостей, в котором не происходит потери информации в процессе цветовой коррекции; бледно-красным цветом — область, где происходит потеря информации.

    По наклону кривой пересчёта (малиновая линия на рис. 6) можно судить, где происходит потеря цветовой информации. Диапазон яркостей исходного снимка в процессе цветовой коррекции "растягивается" на тех участках, где наклон кривой составляет более 45° (зелёная область на рис. 6). В данном примере диапазон от 0 до 55 исходного снимка "растягивается" в диапазон от 0 до 135 на изображении после цветовой коррекции. Яркостные различия в этом диапазоне не исчезают. Там, где наклон кривой менее 45° (начиная с DN 55 на исходном снимке), значения яркостей в процессе пересчёта "уплотняются" (красная область на рис. 6). В данном примере, диапазон DN от 55 до 255 на исходном снимке "уплотняется" в диапазон от 135 до 255 на снимке после цветовой коррекции. 200 градаций яркостей превратились в 120. 80 градаций исчезло. В зону "уплотнения" (потери информации) попало часть значимых объектов — лиственные деревья и болота, занимающих значительную площадь на снимках.
    Объекты, присутствующие на снимках, изменяют свои яркости нерегулятным образом — одному значению X может соответствовать много значений Y (рис. 6). Невозможно подобрать такую функцию, график которой пересекал бы все скопления точек. Если на весеннем снимке водоёмы покрыты льдом, а на летнем нет; если распределение снега на снимках различается, то сделать эти объекты одинаковой яркости обычными методами не получится. Использование статистических параметров (среднее арифметическое и стандартное отклонение) для всех объектов такой пары изображений (а именно это и происходит, когда мы набираем статистику по всему изображению или по зоне перекрытия), не приведёт к получению желаемого результата.
    Тем не менее на скаттерграмме хорошо видно, что яркостные характеристики части объектов (ельники, обнажённая минеральная порода и березняки) находятся практически на одной линии и для пересчёта даже простой линейной регрессии может оказаться достаточно (рис. 7).

    Метки различных объектов.
    Рисунок 7. Яркостные характеристики различных объектов. По оси OX отложены яркости 2-го канала весеннего снимка до цветовой коррекции, по оси OY — яркости 2-го канала летнего снимка. Цветные точки — яркости различных объектов. Пунктирная линия — прямая пересчёта яркостей в процессе цветовой коррекции по выбранным объектам.

    Если исключить часть объектов из расчётов, для оставшихся можно значительно улучшить статистику. Попробуем уровнять яркостные характеристики только для части объектов, пожертвовав остальными. Для этого выберем объекты, обведённые на рис. 7 красной линией. Эти объекты занимают значительные площади на снимках и сразу бросаются в глаза. Вместо статистики, собранной по области перекрытия или по целым изображениям, будем использовать статистику только выбранных объектов.
    На рис. 8 показан результат цветовой коррекции весеннего снимка по выбранным объектам (методом спектральных тиков).

    Исходные отдельные изображения. Изображения, объединённые в мозаику после цветовой коррекции методом спектральных тиков.
    Рисунок 8. Исходные отдельные изображения (слева) и изображения, объединённые в мозаику после цветовой коррекции методом спектральных тиков. (справа).

    На рис. 9 приведён фрагмент исходного летнего снимка и этот же самый участок на мозаике после цветовой коррекции методом спектральных тиков.

    Фрагмент исходного летнего снимка. Мозаика после цветовой коррекции.
    Рисунок 9. Фрагмент исходного летнего снимка (слева) и этот же самый участок на мозаике (справа) после цветовой коррекции методом спектральных тиков.

    Полученный результат лишён недостатков цветовой коррекции, произведённой на основании статистики области перекрытия (рис. 4). Объекты, занимающие на снимках значительные площади и, как правило представляющие интерес, приобрели яркости очень близкие к таковым на летнем снимке (рис. 9). В зелёной части скаттерграммы, где не происходит потерь спектральной информации, с запасом помещаются все объекты растительного покрова (рис. 7). У части объектов мы всё-таки потеряли яркостные различия. На изображении после цветовой коррекции мы не сможем различать оттенки в светлых объектах (снег, песок) — все объекты, имеющие на исходном весеннем снимке в зелёном канале DN 85 и более, приобрели значение 255 — максимум для 8-битного изображения. Но так ли важны различия в снежном покрове, чтобы из-за них жертвовать различиями в растительности?
    Рассмотрим теперь по шагам, каким образом можно произвести цветовую коррекцию по выбранным объектам — методом спектральных тиков.

    Практика.

    Обладатели лицензии ArcInfo Workstation для цветовой коррекции могут использовать aml-скрипт hismatch.aml. Для работы нужно скопировать в одельную директорию исходные снимки в *.img формате и содержимое архива hismatch.zip (16 Kb). В этой же директории следует завести шейп-файл, для расстановки спектральных тиков — полигонов, обрисовывающие однородные объекты на снимке, на примере которых мы будем набирать статистику. Для расстановки тиков следует использовать объекты, спектральные характеристики которых мы хотим уровнять с таковыми базового изображения (в нашем случае летнего снимка) (рис. 10).

    Спектральный тик. Берёза. Спектральный тик. Ель. Спектральный тик. Почва.
    Рисунок 10. Спектральные тики для цветовой коррекции весеннего снимка — березняк в нижней части южного склона (слева); ельник (в центре); обнажённая минеральная порода (справа).

    В аттрибутивной таблице к слою с тиками следует завести числовое поле SAMPLE, в которое нужно занести условный номер тика (пример). Можно также завести дополнительное текстовое поле, например DESCRIPT, в которое можно заносить текстовое описание объектов, на которых поставлен тик. Далее в командной aml'ке (control.aml) нужно связать переменную .image1 с именем базового изображения, яркостные характеристики которого останутся неизменными; переменную .image2 — с именем изображения, яркостные характеристики которого следует изменить (уровнять с таковыми базового изображения); переменные .sample1 и .sample2 — с именем шейп-файла со спектральными тиками. Переменная .sample2 нужна в тех случаях, когда снимки неточно привязаны друг к другу или не пересекаются вообще. В таком случае придётся завести два шейп-файла со спектральными тиками — один для базового изображения, другой для изображения, яркостные характеристики которого нужно изменить. Если снимки пересекаются и точно привязаны друг к другу, можно использовать один и тот же шейп-файл с тиками и связать с его именем обе переменные .sample1 и .sample2. Командная aml'ка для данного примера выглядит так:

    &sv .image1 = 2006-08-24_10-08-56.img
    &sv .image2 = 2006-05-06_09-56-27.img
    &sv .sample1 = sample_tl1
    &sv .sample2 = sample_tl2
    &run hismatch.aml
    q


    После выполнения командного файла (arc &run command.aml) в директории Result окажется второе изображение с выровненными яркостными характеристиками по базовому изображению, которое можно использовать для создания мозаики (рис. 8 и 9).
    Желающие попрактиковаться могут скачать готовый рабочий пример цветовой коррекции изображения, описанный выше. Самораспаковывающийся архив, включающий исходные изображения находится здесь (60 Mb). Спектральные тики для данного примера и скрипт hismatch.aml находятся в вышеупомянутом архиве hismatch.zip (16 Kb)
    Следующий этап в создании бесшовной мозаики — это объединение изображений таким образом, чтобы замаскировать границу, сделать её незаметной или малозаметной. Но это уже другая большая история.


    Остались вопросы или что-то не получается? Интерактивная бесплатная онлайн-консультация (телефон, cкайп, e-mail): .

    О проекте | Копирайт | E-mail