Дешифрирование с помощью нейронных сетей

Дешифрирование с использованме нейронных сетей

Возможности тематического дешифрирования ДДЗ с использованием искусственных нейронных сетей
Добрынин Д., Савельев А., ИТЦ «СканЭкс»

Технологии оперативного доступа и обработки космической информации для ведения мониторинга природных ресурсов, промышленно-хозяйственной деятельности и чрезвычайных ситуаций претерпели за последнее время серьезные изменения. Уникальная информация о состоянии земной поверхности стала доступна региональным структурам, в круг обязанностей которых входит проведение мониторинговых наблюдений и принятие решений по результатам анализа складывающейся в регионах обстановки. Развитие коммуникационных сетей дало возможность вовлечь в процесс обработки дистанционной информации различных специалистов и сделать доступными обширные архивы материалов космической съемки. Подобный информационный скачок явился стимулом развития методологии и технологии обработки и применения данных космического зондирования земли в традиционных сферах: геологическом картографировании, оценке лесов, мониторинге земель, прогнозировании и мониторинге чрезвычайных и аварийных ситуаций, экологическом мониторинге, оценке метеообстановки, ледовой разведки. Кроме того, что не менее важно, стали появляться новые направления использования оперативной космической информации в отраслях, которые принято характеризовать, как находящиеся «на стыке различных направлений». К таковым следует отнести картографирование местообитаний редких и ценных видов животных (в том числе оценка мест предполагаемых кормовых участков, гнездований, коридоров миграции) для последующего планирования природоохранных и промысловых мероприятий, выявление массивов уникальных растительных группировок и ареалов редких видов растений (мониторинг площадей старовозрастных лесов севера Европейской части России). По материалам регулярных разносезонных съемок из космоса стал возможным оперативный анализ социально-экономических особенностей, отражающихся в структуре и динамике ресурсопользования, проведение исторических реконструкций для целого ряда административных территорий в различных ландшафтных зонах.

Региональная адаптация технологий персонального оперативного приема данных с космических аппаратов серии «Ресурс О1» наглядно показала, что переход на новый уровень информационного обеспечения не только возможен, но уже произошел. Мониторинг окружающей среды перестал существовать независимо от текущих, насущных вопросов экономики, планирования, хозяйственной деятельности. Анализ новых возможностей, привносимых децентрализацией средств ведения космического мониторинга в федеральную и региональные информационные структуры, проведенный по результатам трехлетней государственной программы «Регион», позволил выявить основные сильные стороны этого процесса, которыми являются:

экономическая целесообразность проведения столь широкомасштабного и трудоемкого мероприятия, как дистанционный мониторинг. Регионы, проводя его своими средствами и получая окупающуюся на своем уровне информацию, одновременно формируют национальный архив изображений, способов и результатов их обработки;
сокращение времени от приема информации до принятия решения по результатам ее анализа и, следовательно, реальное вовлечение технологий дистанционного зондирования в решение хозяйственных проблем;
отбор реально необходимых для конкретных регионов задач, методически и технологически решенных;
постановка и методическая апробация новых, сугубо региональных задач, актуальность которых зависит от географического положения и социально-экономической специфики конкретной территории.

Анализ опыта работы сети малых станций «СканЭр» дал возможность оценить и проблемы – так называемые «болезни роста», вызванные децентрализацией средств получения и обработки данных спутникового мониторинга. Одной из наиболее важных, на наш взгляд, проблемой является методическое обеспечения процесса обработки оперативной спутниковой информации. Предпосылок возникновения этой проблемы достаточно. Первая – неразработанность методик анализа множественных разносезонных космических изображений одной и той же территории. В действительности, несмотря на значительный отечественный и зарубежный опыт обработки различных типов дистанционных изображений, практически отсутствуют технологии, рассматривающие снимок не в качестве уникальной модели земной поверхности, а как частную модель, раскрывающую сезонные или фенологические закономерности строения конкретной территории. Для формирования первичного представления об интересующем явлении на земной поверхности, безусловно, подойдет и единичный снимок, технология обработки которого известна, но в случае составления базовых карт для ведения природно-ресурсного мониторинга, исчерпывающее описание можно получить лишь по данным мультивременной съемки. Попытки традиционного решения этой проблемы путем раздельной обработки разносезонных космических изображений с последующей интеграцией ее результатов в геоинформационных системах не технологичны и чреваты ошибками, связанными с неизбежной формализацией данных при передаче их в ГИС.

Вторая предпосылка заключается в слабой подготовленности региональных информационных структур к ведению комплексного тематического дешифрирования. О возможности составления картографических документов методами дешифрирования материалов авиационных и космических съемок сейчас широко известно. К сожалению, менее известно, что топографическое и объектное дешифрирование, методами которых пользуются в большинстве случаев, не дают возможности полноценного описания, классификации, построения иерархической структуры объектов земной поверхности. Приемы тематического дешифрирования, позволяющие достичь более подробного уровня описания с учетом иерархической структуры и взаимосвязей компонентов природной среды, более узкоспециализированы и предполагают вовлечение в обработку эмпирических априорных данных. Это отражается на универсальности методического обеспечения работ подобного типа. Как показывает опыт, время от создания методики до ее реального применения на практике занимает несколько лет. Основными тормозящими факторами в этом случае являются индивидуальные особенности дешифровочных признаков для конкретного региона, с одной стороны, и узкая специализация интерпретаторов – с другой. В итоге при создании конкретной методики приходится проводить жесткий отбор признаков, на которые может опираться региональный интерпретатор в своей повседневной работе. Из-за этого возникают сильно формализованные схемы дешифрирования, зачастую раскрывающие лишь часть свойств и особенностей строения тематических объектов. Настоящее обсуждение проблем, связанных с анализом и обработкой материалов спутникового мониторинга, выглядело бы несколько предвзято без конкретизации основных методических принципов тематического дешифрирования.

Тематическое дешифрирование – отрасль научного знания и метод исследования закономерностей строения геосферы (геологическое строение, поверхностные и грунтовые воды, почвенный покров, растительность, ландшафты, антропогенные объекты), решающая задачи информационного обеспечения исследований естественно- исторического и природно-ресурсного блока путем анализа данных дистанционного зондирования. Кроме того, тематическое дешифрирование является одним из важнейших этапов процесса картографирования, что позволяет относить его к области технологий. Основным методическим принципом тематического дешифрирования является комплексный подход, выражающийся в совместном изучении структуры искомого объекта, отраженной в виде признаков дешифрирования и системы факторов, оказывающих влияние на его строение, эволюцию и функционирование.

Процедура дешифрирования делится на последовательные логические этапы, основными из которых являются распознавание, интерпретация и принятие решений. На этапе распознавания путем анализа объектно-ориентированных свойств материала дистанционного зондирования – признаков дешифрирования – решается задача установления изображенных предметов, явлений или их свойств. Этот наиболее легко формализуемый этап сейчас получил широкое распространение в программах обработки растровых изображений. Тематическая интерпретация проводится по окончании этапа распознавания путем построения большей частью умозрительной модели факторов, оказывающих влияние на состояние и классификационно-легендное положение объектов дешифрирования. Отнесение объекта к какой-либо классификационной группе происходит по набору нежестких правил, вытекающих из свойств и характеристик обрабатываемого дистанционного изображения. Интерпретация использует логические категории, основанные на коррелятивных связях между компонентами ландшафта. Принятие решений в тематическом дешифрировании связывается в основном с процедурой выделения текущего объекта графически и последующую жесткую связь его тематического содержания с одним из таксонов легенды. Кажущаяся простота этапа принятия решения на практике выливается в одну из самых трудоемких и нетехнологичных процедур – оценку степени достоверности опорных признаков дешифрирования для текущего объекта. Признаки дешифрирования делятся на три большие группы:

прямые – свойства объектов, непосредственно проявляющиеся на дневной поверхности земли и отображающиеся в виде набора характеристик дистанционного изображения;
косвенные - свойства объектов, непосредственно не выраженные на дневной поверхности, но тем или иным образом связанные с набором прямых признаков;
контекстуальные (топологические) - свойства объектов земной поверхности, выявляющиеся для текущего объекта при анализе признаков его окружения.

Кроме того, признаки дешифрирования обладают различной индикационной способностью. И далеко не всегда прямые признаки оказываются более достоверными по отношению к косвенным и контекстуальным. Но практически всегда количество косвенных и контекстуальных признаков дешифрирования существенно превышает прямые. Следовательно, оперируя ими можно подтверждать гипотезу отнесения текущего объекта к тому или иному классу легенды.

Существующие технологические решения процедур тематического дешифрирования по разному способны оперировать признаками дешифрирования. Эксперт, проводящий дешифрирование вручную, в равной степени использует все три группы. Различные автоматизированные технологии обработки изображения без предварительного экспертного обучения отдают предпочтение прямым признакам, используя остальные в меньшей степени. В варианте с предварительным обучением, автоматизированные процедуры способны оперировать существенно большим набором косвенных и контекстуальных признаков, но в рамках достаточно жестких правил. Поэтому при изменении факторов окружающей среды, иногда даже очень незначительном, они могут привести к неправомерным результатам. Набирающие сейчас темп технологии обработки изображения на базе нейронных сетей занимают промежуточную позицию между интерактивной обработкой и традиционным анализом изображения. Существующие нейронные технологии нуждаются в предварительном этапе экспертного обучения, что усложняет их по сравнению с предыдущими способами обработки. Способность различных технологических решений тематического дешифрирования оперировать различными признаками показана на рисунке 1. По оси Y отложен процент правильно распознанных объектов. Первые столбцы – работа экспертов, вторые – алгоритмы автоматизированной обработки изображения, третьи – нейронные алгоритмы обработки изображения. Сравнение проводилось по трем ключевым участкам таежно-лесных ландшафтов Севера Европейской части России (Республика Карелия, Республика Коми, Архангельская область). Основная тематика – растительный и почвенный покров.

Результаты анализа

Рисунок 1.
Безусловное лидерство интерактивной экспертной обработки становится не таким очевидным, если учесть, что интерпретаторы – студенты лаборатории дистанционных методов исследования почв факультета почвоведения МГУ, которые участвовали в картографировании территорий контактными методами. К тому же время, затраченное на дешифрирование, заняло несколько недель. Автоматизированная и нейронная технологии позволили сократить этот промежуток до нескольких часов, но нуждались в последующей экспертной интерпретации и корректировке. Заметим, что для доведения результатов дешифрирования до уровня эксперта при создании тематических карт путем автоматизированного и нейронного дешифрирования обязательно потребовался заключительный этап экспертной интерпретации.

Таким образом становится очевидным, что при любых технологических схемах дешифрирования невозможно избежать этапа интерактивной экспертной интерпретации. Другое дело, когда технология дает возможность интерпретатору настраивать и корректировать работу автоматического сегмента на любом необходимом этапе. Для процедур обработки растровых дистанционных изображений без предварительного обучения «расстановка сил» в целом близка к схеме на рисунке 2.

Результаты анализа

Рисунок 2.
По ряду причин, обсуждавшихся выше, наш выбор при создании технологии тематической обработки данных оперативного космического мониторинга пришелся на алгоритмы, основанные на работе нейронных сетей. Более детальное изучение возможностей различных типов нейронных сетей показало, что оптимальными для тематической обработки являются нейронные сети Кохоненна. Особенности их работы позволяют корректировать обработку на любом этапе, включая процесс первичной интерпретации свойств обрабатываемого изображения. К тому же они не требуют обязательного для большинства типов нейронных сетей этапа первоначального экспертного обучения, а, наоборот, способны подсказать разумное количество классов, достаточных для описания конкретной тематики. Процедура их коррекции получила название "тематической ориентации" нейронной сети. Наиболее обнадеживающие по скорости работы и точности распознавания тестовых объектов результаты получены при параллельной обработке нескольких разновременных, геометрически совмещенных многозональных изображений тестовых территорий. Результаты одного из тестовых проектов по оценке возможностей нейронных технологий в дешифрировании старовозрастных лесов Республики Коми приведены на рисунках. На них показана эволюция структуры и топологии нейронной сети в процессе тематической ориентации и результаты классификации совмещенных разновременных многозональных изображений эволюционирующей сетью.

Возможности пакета тематической обработки растровых изображений в программе ScanEx-NeRIS:

оценка количества классов, требуемых для описания тематики и составления тематической карты;
оценка внутренней дробности, неоднородности тематических объектов (контуров);
оценка распределения свойств экспертных объектов в признаковом поле дистанционной модели;
оценка вероятностей присутствия тематических объектов, заданных экспертом в поле признаков снимка (выделение на изображении областей с различным уровнем оценки: оптимистическим, реалистическим, пессимистическим);
построение иерархических классификаций с оценкой близости классов между собой (удобный для специалистов по тематической картографии интерфейс обработки «карты расстояний» («дерева расстояний») с целью уточнения и корректировки строения легенды и географического содержания тематической карты;
создание тематически ориентированных нейронных сетей для последующей обработки растра с целью выявления тематических объектов;
автотрассировка (векторизация) результатов поклассовой обработки;
поддержка системы координат наиболее распространенных отечественных и зарубежных картографических проекций;
экспорт растровых покрытий и векторных слоев в обменных форматах наиболее распространенных географических информационных систем;
представление результаты классификации для всех видов нейронных сетей как присвоением индекса класса каждому классифицированному пикселю, так и созданием растровых слоев "вероятности" (possibility) принадлежности пикселя одному конкретному классу (создание нескольких таких слоев с последующей их визуализацией позволяет наглядно представлять результаты классификации, например, выявлять "белые пятна" (неклассифицированные области пространства) и представлять данные для окончательной классификации традиционными методами).

Преимущества использования алгоритмов, базирующихся на работе нейронных сетей перед стандартными алгоритмами обработки растра включают в себя большую устойчивость к изменению признакового пространства в пределах снимка (изменению обрабатываемой площади, масштабированию), меньшую требовательность к стандартизации изображения (углу солнца, атмосферному искажению), легкую воспроизводимость, дообучаемость в случае изменения или усложнения задач, простоту при дальнейшем использовании в качестве стандартов выделения тех или иных объектов, возможность обработки многозональных изображений и геометрически совмещенных «пачек» разновременных многозональных изображений.

Ближайшие перспективы развития "Scanex NeRIS":

1. Классификация многозональных изображений с использованием нейронных сетей на основе теории нечеткого адаптивного резонанса (этот вид нейронных сетей позволяет осуществить классификацию как с учителем, так и без учителя; кроме того, метод позволяет извлекать из обученных нейронных сетей явные правила классификации в виде правил нечеткой логики);
2. Использование классических нейронных сетей для тематической классификации изображений по рисунку (метод является методом классификации с учителем на заданное число классов);
3. Использование методов нечеткой логики для повышения надежности классификации отдельных пикселов с учетом пикселов в локальной окрестности;
4. Применение методов обработки изображений на основе «wavelet-анализа», что позволяет осуществлять обработку изображений, повышающую качество тематической дешифровки многозональных изображений.