Обобщенные кривые спектральной яркости типичных объектов, полученные в результате  измерений на местности

Различные элементы земной поверхности - вода, растительность, почвы, - по-разному отражают солнечное излучение в разных зонах электромагнитного спектра. Графически это можно представить в виде кривых спектральной яркости, величины которой получают специальными измерениями на местности.  Ход кривых меняется в зависимости от состояния объекта. Например, различаются кривые сухой и влажной почвы, водоемов с чистой и загрязненной водой, лесов в разное время года. На рисунке приведены примеры обобщенных кривых для типичных объектов Земли.

Взглянув на кривые спектральной яркости, можно выделить на них отрезки, важные для описания свойств объекта, например локальные максимумы в зеленой и ближней инфракрасной области спектра у растительности, определить участки спектра, в которых различия яркости разных объектов наиболее существенны.

Опираясь на кривые спектральной яркости, планируют, в каких участках спектра целесообразно производить съемку поверхности Земли.

Космический снимок со спутника Landsat ( июль 1986 г.).

Объекты отмечены на снимке соответствующим номером и цветом

Если выполнить аэро- или космическую съемку местности одновременно в нескольких таких зонах спектра и по серии зональных снимков измерить яркости изобразившихся объектов, можно получить аналоги кривых спектральной яркости - так называемые спектральные образы объектов. На приведенном ниже рисунке вы можете увидеть спектральные образы объектов вблизи университетского городка.

Зная различия в спектральных образах, можно целенаправленно подбирать снимки в тех зонах, где эти различия помогут дешифрированию нужных элементов земной поверхности. Обоснованный выбор зональных снимков необходим и для синтеза цветных изображений. 

Спектральные образы объектов, полученные

по цифровым многозональным снимкам

Вы уже знаете, что разные объекты по-разному отражают солнечное излучение в зависимости от длины волны. На этом свойстве основана многозональная съемка, которую выполняют одновременно несколькими объективами, объединенными в одну съемочную систему. Комбинируя цветные светофильтры и приемники излучения, чувствительные к определенным узким участкам спектра (например, фотопленки при фотографической съемке), получают серию черно-белых снимков в нескольких зонах спектра, на которых одни и те же объекты выглядят по-разному.

Совместное использование нескольких зональных снимков для синтеза цветных изображений или автоматизированного дешифрирования позволяет решать самые разнообразные задачи.

Так привлечение снимков в сине-голубой зоне позволяет отличить мелководья и воды с большим количеством взвесей от других водных объектов. Сравнение снимков в сине-голубой и зелено-желтой зонах - изучать содержание хлорофилла в водах океанов. Снимки в красной зоне используются для выделения растительности среди остальных объектов, а сравнение снимков в красной и ближней инфракрасной зонах - для определения биомассы растительности. Кроме того использование снимков в ближней инфракрасной зоне позволяет четко выделить все водные объекты, изображающиеся на них практически черным тоном. Снимки в средней инфракрасной зоне важны для определения содержания влаги в почвах и растениях и для выделения гидротермальных объектов.

Снимки в разных зонах спектра, полученные со спутника Landsat (съемочная система TM, июль 1986  г.). 

Указаны номера зон и соответствующие им длины волн в микрометрах   

  1             0,45-0,52 мкм

  2             0,52-0,60 мкм

  3             0,63-0,69 мкм

  4             0,75-0,90 мкм

  5             1,55-1,75 мкм

  7             2,02-2,35 мкм

Варианты синтеза цветного изображения (снимки со спутника Landsat)

Одно из основных направлений использования многозональных снимков - создание (синтез) цветных изображений для визуального дешифрирования. Чтобы получить такое изображение, из серии зональных снимков выбирают три, окрашивают их в красный (R-red), зеленый (G-green) и синий (B-blue) цвета и совмещают. Смешение этих цветов в разных соотношениях дает все многообразие оттенков на синтезированном снимке. Цвет каждого пиксела зависит от его яркости на соответствующих зональных снимках.

Выбор съемочных зон для синтеза определяется задачами, которые нужно решить с помощью цветного изображения, а цветовая гамма подбирается таким образом, чтобы облегчить визуальное восприятие снимка. Например сочетание красной, зелено-желтой и сине-голубой зон, окрашенных в соответствующие им цвета (RGB:3,2,1), дает изображение в натуральных цветах, а в варианте RGB:4,5,7 растительность изображается оранжево-красным цветом, резко выделяясь среди других объектов.

Подготовка к классификации:

выделение эталонных участков по космическому снимку со спутника SPOT (съемочная система HRV, сентябрь 1996 г.)

Рассматривая аэро- или космические снимки, вы невольно выделяете на них объекты, которые различаются по цвету, форме, рисунку изображения. Таким образом, вы подсознательно выполняете визуальное дешифрирование снимков, используя те или иные дешифровочные признаки, часто не отдавая себе отчета в том, какой из них является решающим.

При автоматизированном дешифрировании необходимо не только выбрать наиболее значимые дешифровочные признаки объектов, но и описать их математически. В настоящее время в качестве такого признака чаще всего используется спектральный образ объекта.

В зависимости от набора значений спектральной яркости каждого пиксела снимка, специальные компьютерные программы определяют его принадлежность к тому или иному классу объектов, т. е. выполняют классификацию объектов.

На этой странице представлены результаты "контролируемой" классификации, которая выполнена для территории университетского городка по трем зонам космического снимка со спутника SPOT:

1 - зелено-желтой, 2 - оранжево-красной и 3 - ближней инфракрасной.

При контролируемой классификации заранее задаются типы классов объектов, которые нужно выделить. Для каждого класса по исходному снимку выделяются эталонные участки. Их границы показаны на  рисунке слева пунктирными линиями. Здесь же приведены спектральные образы объектов и графики распределения  яркостей эталонных участков (гистограммы) в каждой из зон. Они показывают, насколько правильно выбраны эталоны.

После такой подготовительной работы компьютерная программа проводит классификацию: сравнивает спектральный образ каждого пиксела со спектральными образами эталонов и относит его к одному из заданных классов. В результате создается новое цифровое изображение, каждый пиксел которого с определенной степенью вероятности соответствует тому или иному классу объектов. Такое изображение после оценки результатов классификации и дополнительного редактирования может служить основой для подготовки полноценной тематической карты.

Типы и количество классов объектов, выделяемых при классификации, зависят от поставленной задачи. Например, для оценки озелененности университетского городка достаточно выделить два класса: 1 - участки занятые растительностью, 2 - все остальные объекты. При этом эталонами для первого класса послужат участки с газонами и парками. Класс "все остальные объекты", включающий пикселы с большим разбросом значений спектральной яркости, объединит несколько классов объектов, таких как асфальтированные поверхности, здания и некоторые другие. Полученный результат приведен на  рисунке.

Результаты выделения класса "растительность" по трем зонам космического снимка со спутника SPOT  1 (0,50-0,59 мкм); 2 (0,61-0,68 мкм); 3 (0,79-0,89 мкм)

Цветной аэроснимок (2000 г.)

Очень часто для решения научных или практических задач требуется измерить   по снимкам расстояния, периметры, площади, высоты. Результаты таких измерений нужны для вычисления других, производных характеристик и для составления карт.

Например, значения высот используются для проведения горизонталей на картах рельефа, определение доли площадей лесов - для составления карт лесистости. Подобные измерения и вычисления значительно быстрее выполняются по цифровым снимкам с помощью специальных компьютерных программ.

В основе таких программ, лежат операции с координатами пикселов цифрового снимка, поэтому его предварительно трансформируют в нужную картографическую проекцию. После этого снимок используют для различных измерений. Их точность зависит от многих факторов, прежде всего от размера пиксела на местности, который может составлять от десятков сантиметров у аэроснимков до нескольких километров у космических снимков.

Для получения количественных данных можно использовать не только исходный цифровой снимок, но и цифровые изображения, полученные после его обработки, например в результате автоматизированного дешифрирования снимка.

Примеры автоматического получения количественных данных приведены ниже на этой странице. Результаты измерений представлены в таблицах, которые обычно выводятся на экран монитора в отдельных окнах.

Определение периметра и площади университетского городка, а также расстояний от ближайших станций метро до главного здания МГУ выполнено по переведенному в цифровой формат аэроснимку.

Другой пример - вычисление площади зеленых насаждений университетского городка. Оно выполнено по результатам выделения класса "растительность" с помощью цифрового космического снимка со спутника SPOT. С этими результатами вы уже познакомились в разделе об автоматизированном дешифрировании.

Измерение длин и площадей по цифровому аэроснимку

Измерение площадей зеленых насаждений по результатам выделения класса "растительность" с помощью цифрового космического снимка со спутника SPOT