;doc

Моделирование геообъектов и геопроцессов
№ 4
62
УДК 004.932.2:551.3
Геоинформатика–2014
© А.Д. Варламов, Р.В. Шарапов
А.Д. Варламов, Р.В. Шарапов
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ МОНИТОРИНГА ЭКЗОГЕННЫХ
ПРОЦЕССОВ ДИСТАНЦИОННЫМИ
МЕТОДАМИ
Введение
В настоящее время методы дистанционного
зондирования получили широкое распространение.
Для этого осуществляется съемка земной поверхности со спутников и других летательных аппаратов.
Развитие техники привело к возможности получать
высококачественные снимки поверхности Земли с
высоким разрешением и в различных спектральных диапазонах. Большое количество спутников
позволяет проводить наблюдения практически непрерывно.
Области применения дистанционного зондирования охватывают наблюдение за климатом, мониторинг чрезвычайных ситуаций (лесные пожары,
наводнения и т.д.), наблюдение за территориями и
передвижениями объектов и т.д. Тем не менее некоторые направления охвачены слабо. Одно их них –
мониторинг за развитием экзогенных процессов.
Экзогенные процессы представляют собой
геологические процессы, происходящие на поверхности Земли и ее приповерхностном слое.
Они возникают в зоне действия факторов эрозии,
выветривания, склоновых и береговых деформаций.
Экзогенные процессы включают в себя обвалы,
оползни, карсты, суффозию, эрозию, абразию,
просадки в лессовых грунтах [1]. Каждый из процессов имеет свои особенности как по времени
проявления, так и по охватываемой территории.
Например, обвалы – это чрезвычайно динамичные
процессы, в то время как абразия развивается достаточно медленно. В связи с тем, что экзогенные
процессы могут оказывать существенное влияние
на нормальное функционирование и безопасность
технических систем, они нуждаются в постоянном
мониторинге и контроле [2].
Основными источниками информации о
развитии экзогенных процессов (эрозии, карстов,
суффозии) являются полевые исследования [3],
позволяющие получить данные высокой точности.
Тем не менее их использование не всегда является
экономически оправданным. В первую очередь это
касается удаленных, труднодоступных и протяжен-
ных территорий. Проблемы наблюдения таких территорий в некоторых случаях можно решить путем
использования данных спутникового наблюдения
(дистанционного зондирования) [4].
Наиболее эффективно применение спутникового наблюдения в задачах обнаружения вновь
образовавшихся оползней, обвалов и карстовых
провалов. Перечисленные проявления экзогенных
процессов часто имеют ярко выраженные границы
и структуру, позволяющие их идентифицировать в
автоматическом режиме [5].
Задачи анализа снимков дистанционного зондирования можно свести к двум большим группам:
1. Выявление изменений, появившихся на снимках по сравнению с предыдущими данными.
2. Выявление аномалий на индивидуальных
снимках без учета данных за предыдущие
периоды.
Задачи обработки и анализа изображений
для дистанционного зондирования
Практика показывает, что снимки одной и
той же территории, сделанные в разные периоды
времени, могут иметь существенные отличия друг от
друга. Так, наличие облачности может скрывать ряд
объектов. По этой причине необходимо ее правильно
идентифицировать, чтобы избежать ошибок в
анализе снимков [6]. Снимки также могут иметь
разную яркость, контраст, отличаться цветовыми
характеристиками. Это связано с разными условиями
съемки (время, погода). Кроме того, снимки,
сделанные зимой, из-за наличия снежного покрова
будут значительно отличаться от снимков, сделанных
в другие периоды года [7].
Изменение в растительности (количество и
цвет травы, листьев и т.д.) могут сильно изменять
внешний вид территории. Одни и те же объекты
могут иметь четкие границы весной (например,
дороги) и размытые и перекрывающиеся летом.
Таким образом, при проведении спутникового
и аэронаблюдения территории возникает ряд задач,
требующих решения:
Геоинформатика–2014
Коррекция изображений
Так как на полученный снимок влияют различные факторы – время съемки, время года, погода и т.д.,
то для правильной обработки необходимо провести
коррекцию изображения. Для этого необходимо
привести изображения к базовому виду (базовому
характеру местности). Такое изображение должно
не зависеть от условий съемки. Процесс преобразования к базовому виду будем называть коррекцией
изображения.
Так как поставленная задача описана в общем
виде и не поддается формализации, метод коррекции
будет базироваться на машинном обучении. То есть
предстоит использовать технологию, при которой
алгоритм преобразования изображения будет формироваться автоматически на основе отобранных человеком примеров (пар изображений: исходное с не
базовым характером местности и целевое с базовым
характером и хорошей освещенностью). Следует
отметить, что в примеры для обучения не следует
помещать изображения с помехами (облачностью).
Задача коррекции изображения, имеющего
определенный характер местности, может быть
сформулирована следующим образом: для каждой
точки исходного изображения необходимо как можно более точно оценить значения красной, зеленой
и синей составляющих целевого изображения. Для
оценки цвета каждой точки изображения используется следующая информация относительно нее и
самого изображения:
1) значения цветовых компонентов точки;
2) набор значений локальных признаков.
Они позволят более точно «определить»
вид объекта (вода, лес, поле) и, соответственно,
более точно «подобрать» цвет. Значения цветовых
компонентов берутся из входного изображения.
Значения локальных признаков вычисляются
детерминированными алгоритмами обработки цветовых компонент исходных изображений. Ввиду
раздельной обработки цветовых компонент, каждую из которых можно представить полутоновым
изображением, для получения значений локальных
признаков могут быть применены всевозможные
алгоритмы преобразования полутоновых изображений, которых в настоящее время разработано и исследовано большое количество. Прежде всего, к ним
№4
относятся обширные классы алгоритмов линейной и
нелинейной фильтрации изображений. Отклик фильтра в точке представляет собой значение признака,
который нейронной сетью будет использован для
оценки цвета точки с аналогичными координатами
выходного изображения.
Для каждого не базового характера местности создается и обучается своя нейронная сеть [9],
приводящая изображение к базовому характеру местности [8]. На вход сети поступает набор значений,
соответствующих вышеуказанной информации, а
на выходе формируются интенсивности цветовых
компонент (красная, зеленая и синяя).
Чтобы реализовать алгоритм коррекции изображения с заданным исходным характером местности, выполняются три этапа:
1. Формируется обучающая выборка.
2. Выполняется машинное обучение.
3. Результаты обучения в виде алгоритма прогона
нейронной сети реализуются программно.
Обучающей выборкой являются исходные и
целевые изображения, а также изображения локальных признаков, построенные для каждого цветового компонента каждого исходного изображения.
Схематически формирование обучающей выборки
отражено на схеме рис. 1.
Обучающие выборки для восстановления
красной и зеленой компонент на полутоновом изображении получаются аналогично.
Далее нейронная сеть обучается восстанавливать каждую цветовую компоненту. Фактически для каждого характера местности обучаются
три сети. Для реализации коррекции, к примеру,
5 видов характера местности (кроме базового) необходимо обучить и программно реализовать работу
15 нейронных сетей. Объединением результатов
машинного обучения строится алгоритм коррекции
по схеме рис. 2.
На этой схеме каждая стрелка означает «Входит в» или «Используется для». Развернуто структура нейронной сети показана на рис. 3.
После обучения можно практически применить коррекцию, которая включает в себя предварительный этап, связанный с определением типа
местности, и алгоритм корректировки изображения.
Характер местности определяется исходя из географической широты точки съемки, погодных условий,
времени года на момент получения фотографии со
спутника. Если он является базовым, то обработка
изображения не требуется, иначе выполняется алгоритм, который состоит из следующих шагов:
1. Исходное цветное изображение разбивается
на три полутоновых изображения цветовых
компонент.
Моделирование геообъектов и геопроцессов
1. Коррекция изображений для приведения их к
одному виду с устранением воздействий изменения погодных условий и т.д.
2. Обнаружение облачности (выступающей в
данном случае как помеха).
3. Обнаружение проявлений экзогенных процессов.
63
64
Геоинформатика–2014
Моделирование геообъектов и геопроцессов
№ 4
Рис. 1. Схема получения обучающей выборки для коррекции изображения местности
Рис. 2. Схема получения алгоритма коррекции изображения местности на основе результатов
обучения нейронных сетей
Геоинформатика–2014
65
№4
2. Строится набор изображений локальных признаков.
3. Формируется красная компонента выходного
изображения путем прогона нейронной сети
для каждой точки изображения.
4. Аналогично пункту 3 формируются зеленая и
синяя компоненты выходного изображения.
5. Из композиции трех полученных составляющих собирается цветное результирующее изображение.
Следует отметить особенности нейронной
сети, связанные со спецификой задачи коррекции
изображения:
– целочисленные значения яркости цветовых
компонент, лежащие в диапазоне [0, ..., 255],
нормируются к диапазону вещественных чисел [0, ..., 1], с которым работает нейронная
сеть;
– одному прогону нейронной сети соответствует
оценка яркости цветовой компоненты одной
точки изображения; для коррекции изображения размером X×Y требуется 3∙X∙Y прогонов
нейронной сети.
– количество прецедентов обучающей выборки
гораздо выше количества исходных изображений, так как одна пара изображений выборки
(исходное и целевое) дают число прецедентов,
равное количеству точек одного из этих изображений.
Для обучения сети использовался нейроимитатор Сигнейро 1.3, специально предназначенный
для создания и обучения нейронных сетей обработке изображений [10]. В результате применения
подхода была создана экспериментальная программа цифровой обработки снимков со спутников.
Результаты коррекции подобных изображений
приведены на рис. 4.
Можно видеть, что результаты близки к оригиналам. Но, несмотря на это, цветовая гамма на некоторых результирующих изображениях становится
менее насыщенной. Получение более качественных
результатов возможно после усложнения архитектуры нейронной сети и увеличения числа исполь-
зуемых признаков, но это приведет к повышению
требований к ресурсам вычислительной системы.
Обнаружение облачности
Наличие облачности является извечной проблемой снимков, полученных с помощью аэрофото
съемки. Облака могут иметь разные виды (перистые,
перисто-кучевые, перисто-слоистые, высококучевые,
высокослоистые и т.д.) и принимать различную форму. Тем не менее использование машинного обучения
(нейронной сети) позволяет в значительной мере
справиться с их обнаружением.
В качестве признаков для оценки принадлежности участка изображения к облакам могут
использоваться: цветовая составляющая (облака
имеют белый или сероватый оттенок), особенности
размещения (для многих видов – протяженность),
особенности формы (сплошная, разреженная), сгруппированость отдельных элементов у разных видов
перистых облаков и так далее [11, 12].
Результаты выделения облаков на спутниковых снимках предложенным алгоритмом показаны
на рис. 5. На рис. 5-в представлен результат коррекции изображения с использованием нейронной
сети. Рисунок 5-г визуально отображает цветовую
разность спутниковых изображений, полученных в
разное время и приведенных к одной форме. Обнаруженные облака показаны на рис. 5-д.
Анализ проявления экзогенных процессов
Рассмотрим некоторые практические задачи
мониторинга экзогенных процессов с точки зрения
анализа спутниковых изображений.
1. Оползни.
Оползни характеризуются изменением цветовой схемы и характера площадных участков местности. Оползнями покрываются дороги и их пересечения. По этой причине эти линейные объекты в
местах оползней прерываются.
2. Карстовые провалы.
Карстовые провалы часто имеют различные
границы, округлую форму, существенное изменение цвета (на очень темный) в месте образования.
Моделирование геообъектов и геопроцессов
Рис. 3. Структура нейронной сети для получения одной цветовой составляющей при коррекции изображения
Моделирование геообъектов и геопроцессов
№ 4
66
Геоинформатика–2014
Рис. 4. Обработка спутниковых изображений для приведения их к базовому характеру местности
и условиям освещенности
Рис. 5. Обнаружение облаков
Геоинформатика–2014
Заключение
Таким образом, нейронные сети могут успешно применяться в задачах дистанционного мониторинга экзогенных процессов. При создании качественной репрезентативной обучающей выборки и
обучении нейронных сетей можно добиться обнаружения различных проявлений экзогенных процессов.
Однако прежде чем обнаруживать объекты необходимо выполнить предварительную коррекцию изображений и обнаружение облачности. Применение
данного подхода может помочь улучшить качество
дистанционного зондирования на основе цифровой
обработки изображений и более точно определить
области, затронутые процессами.
В дальнейшем планируется расширить обучающие наборы изображений с добавлением новых
типов и форм экзогенных проявлений, учитывать
большее количество признаков поступающих на вход
нейронных сетей для улучшения качества их работы.
Ключевые слова: мониторинг, экзогенные
процессы, дистанционное зондирование, нейронная сеть.
Литература
1. Шарапов Р.В. Мониторинг экзогенных процессов //
Машиностроение и безопасность жизнедеятельности. – 2012. – № 2. – С. 39-42.
2. Sharapov R., Kuzichkin O. Geodynamic monitoring
in area of nuclear power plant // Applied Mechanics and
Materials. – 2014. – Vol. 492. – P. 556-560.
3. Родионов Н.В. Инженерно-геологические исследования в карстовых районах. – М. : Госгеолтехиздат,
1958.
№4
4. Pignatti S., Fusilli L., Palombo A., Santini F., Pascucci S.
Effectiveness of airborne multispectral thermal data for
karst groundwater resources recognition in coastal areas //
Proc. EGU General Assembly. – 2013. – Vol. 15.
5. Veress M. Karst Environments. – Springer, 2010.
6. Laban N., Nasr A., ElSaban M., Onsi H. Spatial Cloud
Detection and Retrieval System for Satellite Images //
International Journal of Advanced Computer Science
and Applications. – 2012. – 3.
7. Gondra I., Heisterkamp D.R. Content-based image
retrieval with the normalized information distance //
Computer Vision and Image Understanding. – 2008. –
Vol. 111. – p. 219-228.
8. Martins M., Frutuoso Guimaraes L., Maria Garcia
Fonseca L. Texture feature neural classifier for remote
sensing image retrieval systems // Computer Graphics
and Image Processing, 2002.
9. Варламов А.Д. Восстановление цвета полутоновых
изображений нейронной сетью // Алгоритмы, методы
и системы обработки данных. – 2011. – Выпуск
2(17). – С. 55-62.
10. Sharapov R., Varlamov A. Machine learning of visually similar images search // CEUR Workshop Proc. –
2012. – Vol. 934. – P. 113-120.
11. Shang Guan W., Hao Y., Tang Y., Zhu Y. The research
and application of content-based satellite cloud image
retrieval // International Conference on Mechatronics
and Automation ICMA 2007. – 2007. – P. 3864-3869.
12. Holowczak R., Artigas F., Chun S.A., Cho J.-S.,
Stone H. An experimental study on content-based image
classification for satellite image databases // Geoscience
and Remote Sensing, 2002. IEEE Transactions on 40. –
P. 1338-1347.
13. Kuzichkin O., Sharapov R. Monitoring of karstsuffusion formation in area of nuclear power plant // The
2013 IEEE 7th International Conference on Intelligent
Data Acquisition and Advanced Computing Systems
IDAACS 2013. – 2013. – Vol. 2. – P. 810-813.
14. Assaad F., Jordan H. Karst terranes and environmental aspects // Environmental Geology, 1994. – Vol. 23. –
P. 228-237.
Моделирование геообъектов и геопроцессов
Объекты области провала разрушаются. Размеры
карстовых провалов небольшие (десятки метров)
[13, 14].
Для обнаружения проявлений экзогенных
процессов может использоваться описанный в
статье подход с применением нейронных сетей и
специальных алгоритмов. Определение локальных
особенностей анализом изображения позволит оценить типы и формы объектов. Например, результаты
обнаружения карстового провала и определение его
границ показаны на рис. 6.
67
68
Геоинформатика–2014
Моделирование геообъектов и геопроцессов
№ 4
Рис. 6. Обнаружения карстового провала и определение его формы