Спектральная съемка для дистанционного зондирования

Спектральная съемка для дистанционного зондирования наземных объектов возникла как альтернатива системам спутниковой съемки с высоким пространственным разрешением и большой апертурой. Ранние применения спектральной визуализации были ориентированы на классификацию почвенного покрова, разведку полезных ископаемых и решение задач сельского хозяйства, используя небольшое количество тщательно подобранных спектральных полос, расположенных в видимой и инфракрасной областях электромагнитного спектра. Улучшенные версии ранних мультиспектральных датчиков продолжают использоваться и сегодня. Со временем появился новый класс датчиков - гиперспектральные тепловизоры, использующие сотни смежных полос для обнаружения и идентификации различных природных и искусственных материалов. В данной обзорной статье представлены основные элементы спектральной съемки и представлена историческая эволюция как датчиков, так и применений для обнаружения и классификации целей.

Среди пяти чувств зрение играет центральную роль в человеческом восприятии и интерпретации мира. Когда мы слышим громкий треск, чувствуем запах чего—то горящего или чувствуем, что что-то выскальзывает из наших рук, наша первая реакция визуальная - мы ищем источник проблемы, чтобы оценить ситуацию и отреагировать на нее. Наши глаза и мозг могут быстро предоставить подробную информацию о любом событии, происходящем вокруг нас, что приводит к выбору подходящего действия или реакции. Важность человеческого визуального восприятия подчеркивается фактом, что обработка изображений потребляет непропорционально большую часть функций человеческого мозга. Поэтому неудивительно, что исторически большая часть нашего успеха в области дистанционного зондирования, будь то для гражданских, военных, наземных или внеземных целей, зависела от получения точных изображений наряду с эффективной интерпретацией и анализом этих изображений человеком.

Оптикоэлектронный вид аппаратуры на спутниках дистанционного зондирования позволяет получать информацию об объекте без физического контакта с этим объектом. Панхроматические (т.е. в оттенках серого) и цветные (т.е. красный, зеленый, синий) системы визуализации доминируют в оптическом зондировании в видимой области электромагнитного спектра. Длинноволновое инфракрасное изображение (LWIR), которое сродни панхроматическому изображению, для создания изображения использует тепловое излучение объектов в сцене, а не отраженный свет.

Совсем недавно пассивная съемка эволюционировала, включив в себя не только одну панхроматическую полосу или три цветовые полосы, охватывающие видимый спектр, но и множество полос - несколько сотен или более — охватывающих видимый спектр, а также ближний инфракрасный (NIR) и коротковолновый инфракрасный (SWIR) диапазоны. Эволюция в пассивной визуализации является результатом достижений в технологии фокальной плоскости и направлена на использование отражательных свойств материалов. Давно известно, что материалы, из которых состоят различные объекты, отражают, рассеивают и поглощают электромагнитное излучение способами, характерными для их молекулярного состава и их размеров, структуры и формы. Если излучение, поступающее на датчик, измеряется на многих длинах волн в достаточно широком спектральном диапазоне, результирующая спектральная сигнатура, или просто спектр, может быть использована для идентификации материалов в сцене и определения различных классов материалов.

В то время как измерения излучения на многих длинах волн могут предоставить больше информации о материалах в сцене, результирующие изображения не поддается простой визуальной оценке. Сложная обработка изображений требуется для извлечения всей соответствующей информации, содержащейся во множестве спектральных диапазонов.

РИСУНОК 1. Концепция спектроскопии изображений. Бортовой или космический датчик изображения одновременно производит выборку нескольких спектральных диапазонов волн на большой площади в наземной сцене. После соответствующей обработки каждый пиксель в результирующем изображении содержит выборочное спектральное измерение коэффициента отражения, которое может быть интерпретировано для идентификации материала, присутствующего в сцене. Графики на рисунке иллюстрируют спектральные изменения коэффициента отражения для почвы, воды и растительности. На основе этой спектральной информации может быть построено визуальное представление сцены на различных длинах волн.

В этом выпуске журнала Lincoln Laboratory Journal мы фокусируем внимание на спектральных измерениях в области солнечного отражения, простирающейся от 0,4 до 2,5 мкм, охватывающей видимый, ближний и коротковолновый диапазоны. Эти три канала в совокупности называются VNIR/ SWIR. Измерение, анализ и интерпретация оптических спектров известны как спектроскопия. Сочетание спектроскопии с методами получения спектральной информации на больших площадях известно как гиперспектральная съемка (дистанционное зондирование). Рисунок 1 иллюстрирует концепцию спектроскопии изображений в случае спутникового дистанционного зондирования.

Основы спектральной съемки

В этом специальном выпуске журнала мы предлагаем рассмотреть как условия освещения при выполнении съемки, так и отражающие свойства материалов и поверхностей в этой сцене. Интенсивность излучения показывает соотношение количества световой энергии к единице времени (мощности) через единичную площадку, и обычно указывается в ваттах на квадратный метр (Вт/м2). Коэффициент отражения представляет собой безразмерное число от 0 до 1, которое характеризует долю падающего света, отраженного поверхностью. Коэффициент отражения может быть дополнительно определен такими параметрами, как длина волны отраженного света, угол падения и угол отражения. Излучение – это важное взаимосвязанное понятие, которое не разграничивает свет, освещающий поверхность, и свет, отраженный от поверхности. Излучение - это просто интенсивность излучения, нормированная на телесный угол (в стерадианах) наблюдения или направление распространения света, и обычно измеряется в Вт/м2/стерадиан. Нормализация излучения по длине волны света, которая обычно указывается в микрометрах (мкм), дает спектральное излучение в единицах Вт/м2/мкм/стерадиан.

Спектр отражения

Мы привыкли использовать цвет как один из способов различения и идентификации материалов и объектов. Цвет и отражательная способность объекта обычно являются важными показателями состава материала объекта, поскольку различные материалы поглощают и отражают падающий свет в зависимости от длины волны. Для первого порядка отраженный свет или спектральное излучение Ls (λ), которое мы видим или которое регистрирует датчик, является результатом падающего на сцену излучения Li(λ) и спектра отражения материала ρ(λ), оба из которых изменяются в зависимости от длины волны λ.

Если спектр отражения известен, то материальный спектр отражения, или отражательная способность, в принципе может быть восстановлен из наблюдаемого спектрального излучения в тех областях спектра, в которых иллюминация отлична от нуля. Поскольку спектр отражения не зависит от освещенности, спектр отражения предоставляет наилучшую возможность идентифицировать материалы в сцене путем сопоставления спектров отражения сцены с библиотекой известных спектров.

В случае солнечного освещения спектральное излучение света, достигающего атмосферы, достаточно хорошо определяется, как показано на рис. 2. Многие явления окружающей среды и восприятия могут усложнить восстановление спектров отражения. Например, несмотря на то, что спектр солнечного излучения, достигающего атмосферы, хорошо определяется, спектр солнечного излучения, достигающего земли, изменяется в зависимости от времени и географически из-за распространения солнечного излучения через постоянно меняющуюся атмосферу Земли. Такие эффекты атмосферной модуляции должны быть учтены для надежного восстановления спектров отражения материалов на земле в освещенной солнцем сцене.

Ошибки датчика могут еще больше затруднить восстановление спектров отражения, искажая и загрязняя необработанные изображения. Например, вибрация в фокальной плоскости может привести к перекрестному загрязнению соседних спектральных полос, что приведет к искажению наблюдаемого спектра. Подробное обсуждение ошибок и артефактов датчиков выходит за рамки этой статьи. Однако в следующем разделе представлен обзор процесса формирования изображения.

Формирование изображения и скорость охвата области

Сбор двумерных пространственных изображений во многих узких диапазонах частот с помощью двумерного датчика изображения в фокальной плоскости обычно включает в себя некоторую форму изображения с временной последовательностью. Эта коллекция может быть дополнена либо временной последовательностью двумерных пространственных изображений в каждом интересующем диапазоне волн, либо временной последовательностью пространственно-спектральных изображений (одномерные линейные изображения, содержащие все интересующие диапазоны волн) с множеством одномерных пространственных изображений собирались с течением времени для получения второго пространственного измерения.

Для сбора необходимых данных было разработано множество методов. Распространенным форматом сбора данных является датчик изображения push-broom (сканерного типа), в котором поперечная линия пространственных пикселей разлагается на K спектральных полос. Рисунок 3 иллюстрирует геометрию сбора данных для этого типа системы. Спектральная декомпозиция может быть достигнута с помощью любого из нескольких механизмов, таких как дифракционная решетка или клиновой фильтр [1].

Исторически спектральная визуализация для дистанционного зондирования восходит к серии телевизионных спутников инфракрасного наблюдения (TIROS), впервые запущенных в 1960 году [2]. Наследие TIROS продолжилось с помощью усовершенствованного радиометра очень высокого разрешения (AVHRR) и спектрорадиометра с умеренным разрешением (MODIS) [3], запущенных на борту космического аппарата Terra в 1999 году. Пространственное разрешение AVHRR составляет четыре километра, а пространственное разрешение многоспектрального датчика MODIS варьируется от 250 метров в некоторых спектральных диапазонах до одного километра в других. Для сравнения, основное внимание в статьях этого номера журнала уделяется датчикам с пространственным разрешением лучше тридцати метров, а в некоторых случаях и лучше одного метра.

Отбор проб

При сборе данных спектрального изображения используются четыре операции выборки: пространственная, спектральная, радиометрическая и временная. В системах, обсуждаемых в этом выпуске, мы предполагаем, что пространственное разрешение идентично проекции пиксела на местности (Ground Sample Distance - GSD), хотя в целом GSD может быть меньше пространственного разрешения. Для систем, описанных в этой статье, GSD варьируется от долей метра до десятков метров и определяется в первую очередь расположением датчика и высотой платформы. Высота платформы немного ограничена классом сенсорной платформы (например, космическая или воздушная).

Как отмечалось ранее, спектральная выборка достигается путем разложения излучения, полученного в каждом пикселе, на несколько диапазонов волн. Диапазоны волн могут различаться по разрешению и могут перекрываться, совпадать или отличаться друг от друга, в зависимости от конструкции датчика. Цветное изображение, состоящее из красных, зеленых и синих полос, является знакомым примером спектральной выборки, в которой спектральные каналы не перекрываются и относительно широки.

Аналого-цифровой преобразователь производит выборку излучения, измеренного в каждом спектральном канале, получая цифровые данные с заданным радиометрическим разрешением. Результатом является трехмерный куб спектральных данных, представленный иллюстрацией на рис. 4. На рис. 4(а) показаны спектры в поперечных линиях сканирования, получаемые бортовым датчиком. На рисунке 4(b) показаны линии сканирования, сложенные в стопку, чтобы сформировать трехмерный гиперспектральный куб данных с пространственной информацией в измерениях x и y и спектральной информацией в измерении z. На рисунке 4(b) спектры отражения пикселей, составляющих верхний и правый края изображения, проецируются в размер z и кодируются цветом в соответствии с амплитудой спектров, при этом синим цветом обозначены значения отражения с наименьшей амплитудой, а красным - самые высокие значения.

Спектральная информация в измерении z может отбираться регулярно или нерегулярно, в зависимости от конструкции датчика. Данные спектрального изображения можно рассматривать как набор двумерных пространственных изображений, по одному изображению для каждого из выбранных диапазонов волн, как показано на рисунке 4(c), или данные изображения можно рассматривать как отдельные спектры для заданных интересующих пикселей, как показано на рисунке 4(d). (Примечание: На рисунке 4 цвет в частях c и d представляет спектральные полосы, а не амплитуды отражения.)

Хотя существует время интегрирования t^d, связанное с процессом формирования изображения, мы используем термин временная выборка для обозначения не времени, связанного с формированием изображения, а процесса сбора нескольких спектральных изображений одной и той же сцены, разделенных во времени. Временная выборка является важным механизмом для изучения природных и антропогенных изменений на месте происшествия [4, 5].

Практические соображения

Концепция спектральной визуализации, как показано на рис. 1, кажется простой. Однако существует много практических проблем, которые необходимо решить при проектировании и внедрении системы спектральной визуализации. Эти проблемы включают пространственное и спектральное разрешение датчика, атмосферные эффекты, такие как поглощение и рассеяние, спектральная изменчивость поверхностных материалов в сцене и другие эффекты окружающей среды, такие как угол обзора, вторичное освещение и затенение. На рисунке 5 показан ряд этих важных проблем для репрезентативной сцены.

Пространственное разрешение

Стоимость датчика обычно сильно зависит от размера апертуры, особенно для космических систем. Уменьшение размера диафрагмы снижает стоимость сенсора, но приводит к снижению пространственного разрешения (т.е. к увеличению GSD). Для спектрального тепловизора наилучшие характеристики обнаружения ожидаются, когда угловое разрешение датчика, указанное в терминах GSD, соизмеримо с площадью интересующих целей. Цели, однако, бывают разных размеров. Следовательно, для данной конструкции датчика некоторые цели могут быть целиком различимы, в то время как другие могут занимать лишь часть площади GSD, определяющей пиксель. Поэтому необходимо разработать алгоритмы обнаружения и идентификации хорошо работали независимо от того, полностью ли цели (объекты съемки) заполняют пиксель или содержат только фрагмент материала в данном пикселе (т.е. субпиксель).

Атмосферные эффекты

Атмосфера поглощает и рассеивает свет в зависимости от длины волны. Это поглощение и рассеяние имеет несколько важных последствий, которые создают трудности для получения изображения с помощью датчиков. Некоторые из сложностей описаны ниже.

Во-первых, атмосфера модулирует спектр солнечного освещения до того, как оно достигнет земли, и эта модуляция должна быть известна или измерена, чтобы отделить спектр освещения (падающее солнечное излучение) от отражательной способности (спектр отражения), который характеризует материалы, представляющие интерес в сцене. На рисунке 6 показана односторонняя кривая полного атмосферного пропускания для двух различных условий водяного пара и аэрозоля, соответствующая экстремальным значениям влажной и грязной по сравнению с чистой и сухой атмосферой. На рисунке 6 также показаны вклад хорошо смешанных газов, аэрозолей и водяного пара в общую передачу. При изменении угла солнечного освещения и угла обзора датчика изменяется общий путь через атмосферу, что, в свою очередь, влияет на общее пропускание через атмосферу. Кроме того, распределение водяного пара (а также аэрозольные характеристики атмосферы) меняется в зависимости от местоположения и времени, поэтому методы компенсации этих эффектов должны основываться на конкретной сцене.

Во-вторых, часть солнечного излучения рассеивается атмосферой в поле зрения датчика, никогда не достигая земли. Этот рассеянный свет накладывается на отраженный свет, поступающий от сцены, и называется солнечное рассеяное излучение (path radiance), потому что он проходит вдоль траектории прямой видимости к сцене. В-третьих, рассеянное атмосферой солнечное излучение, преимущественно в синей области видимого спектра, действует как вторичный источник рассеянного цветного освещения. Это рассеянное освещение неба наиболее важно для затененных объектов, поскольку области, затененные от прямых лучей солнца, все еще могут быть освещены рассеянным небелым небесным излучением. В-четвертых, солнечное освещение, достигающее сцены и отраженное целью, дополнительно поглощается и рассеивается атмосферой по мере его распространения к датчику.

В настоящее время используется ряд методов для оценки и компенсации этих эффектов распространения в атмосфере.

Другие факторы влияния окружающей среды

В дополнение к атмосферному поглощению и рассеянию, несколько других важных параметров окружающей среды и связанных с ними явлений оказывают влияние на получение спектральных изображений. Угол солнца относительно зенита, угол обзора датчика и ориентация поверхности цели – все это влияет на количество света, отраженного в поле зрения датчика. Облака и почвенный покров могут отбрасывать тени на цель, существенно изменяя освещенность поверхности. Близлежащие объекты могут также отражать или рассеивать солнечный свет на цель, накладывая различные цветные блики на доминирующее прямое солнечное освещение, как показано на рисунке 5.

Спектральная изменчивость

На раннем этапе развития технологий спектральной съемки исследователи выдвинули гипотезу о том, что спектр отражения каждого материала уникален и, следовательно, представляет собой средство для идентификации материалов. Термин "спектральная сигнатура", который все еще используется сегодня, предполагает уникальное соответствие между материалом и его спектром отражения. Однако в полевых данных, а также в лабораторных данных мы наблюдаем изменчивость спектра отражения большинства материалов. Многие механизмы могут быть ответственны за наблюдаемую изменчивость, включая некомпенсированные ошибки в датчике, некомпенсированные атмосферные и экологические воздействия, поверхностные загрязнения, изменения в материале, такие как вызванное возрастом выцветание цвета из-за окисления или отбеливания, а также эффекты смежности, при которых отражения от близлежащих объектов в сцене влияют на освещенность материала. Сезонные колебания также вносят огромные изменения в спектральный характер сцены. Нам достаточно понаблюдать за изменениями в лиственном лесу весной, летом, осенью и зимой, чтобы оценить степень спектральной изменчивости, которая может возникнуть в природных материалах, составляющих сцену.

Есть некоторые основания ожидать, что искусственные материалы демонстрируют меньшую спектральную изменчивость, чем природные материалы в сцене. На рисунке 7 показан ряд примеров спектров отражения, полученных для нескольких случаев постепенной выцветшей краски на автомобиле. Обратите внимание, что, хотя формы спектров довольно последовательны, амплитуда значительно варьируется в зависимости от сцены. В попытке использовать инвариантность спектральной формы некоторые из наиболее успешных алгоритмов обнаружения придают больший вес спектральной форме, чем амплитуде, при определении того, присутствует ли конкретный материал в пикселе.

Артефакты движения и датчиков

Как показано на рисунке 3, датчики спектрального изображения обычно используют движение сенсорной платформы в качестве средства сканирования сцены. Однако нелинейное движение датчика может исказить спектральное изображение, смешивая вместе спектральные сигналы от разных частей пространственного изображения. Движение объектов в сцене также может создавать артефакты, если движение имеет порядок, сравнимый с величиной GSD в течение времени интегрирования t^d. Этот тип пространственной миграции может ухудшить качество изображения, но, к счастью, он не так значителен, как спектральная миграция, с точки зрения влияния на последующую обработку для обнаружения и идентификации материалов. При отображении сцены, включая обнаружение и преобразование излучения в цифровую последовательность, возникает ряд артефактов, таких как тепловой шум, квантование и геометрические искажения.

Пространственная и спектральная информация

Появление радиолокационных датчиков в конце 1930-х годов открыло возможности для обнаружения и распознавания целей, отражающих радары, без использования традиционных пространственных изображений. Однако менее чем через шестнадцать лет после введения в эксплуатацию первого действующего радара исследователи использовали экспериментальные воздушные радары бокового обзора (side-looking airborne radars - SLAR) для преобразования результатов радара в изображения [6]. Радар с синтезированной апертурой (SAR) был разработан для создания двумерных карт на базе радарных отражений с учетом доплеровского эффекта. Интерферометрический SAR был разработан позже как средство генерации трехмерных радиолокационных изображений [8]. Внедрение технологии обнаружения и определения дальности света (LIDAR) предоставило еще один способ создания трехмерных изображений в виде карт отражения с высоким разрешением. На протяжении всей эволюции пассивных и активных методов получения изображений улучшенное пространственное разрешение было мантрой развития, которая подтолкнула оптические датчики к более широким возможностям, а радарные датчики - к более высоким частотам. Автоматизированные алгоритмы обнаружения и распознавания развивались вместе с этими датчиками, но визуальный анализ человека по-прежнему остается преобладающим средством интерпретации изображений, получаемых с действующих датчиков изображения.

Мультиспектральная съемка

Увеличение пространственного разрешения оптических съемочных систем является дорогостоящим предложением, как с точки зрения самой системы, так и с точки зрения объема данных, которые впоследствии должны быть обработаны и интерпретированы. Обученный человек-аналитик традиционно несет основную нагрузку по эффективной интерпретации изображений, но по мере развития технологий объем оптических и радиолокационных изображений с высоким разрешением растет быстрее, чем число обученных аналитиков.

В 1960-х годах сообщество дистанционного зондирования, осознав ошеломляющую стоимость размещения в космосе больших пассивных апертур для получения изображений, приняло концепцию использования спектральных, а не пространственных характеристик для идентификации и классификации растительного покрова. Эта концепция основана в первую очередь на спектральной сигнатуре, а не на пространственной форме для обнаружения и различения различных материалов в сцене. Был проведен ряд экспериментов с датчиками линейного сканирования, имеющих до двадцати спектральных каналов в видимом и инфракрасном диапазонах, для доказательства этих концепций[9]. Экспериментальная работа помогла вызвать интерес и поддержку к развертыванию первого космического мультиспектрального тепловизора Landsat-1 [10], который был запущен в 1972 году. Landsat-7, последний из этой серии весьма успешных спутников, был запущен в 1999 году. Мультиспектральная оптико-электронная система ALI была установлена на борту запущенного в ноябре 2000 года спутника наблюдения Земли (EO-1) Национального управления по аэронавтике и исследованию космического пространства (НАСА) [11]. EO-1 также оснащен гиперспектральным датчиком VNIR / SWIR, называемым Hyperion, с 220 спектральными каналами и GSD в тридцать метров.

Гиперспектральная съемка

Основываясь на успехе мультиспектрального зондирования и благодаря достижениям в технологии фокальной плоскости, исследователи разработали гиперспектральные датчики для выборки расширенной отражающей части электромагнитного спектра, которая простирается от видимой области (от 0,4 до 0,7 мкм) через SWIR канал (около 2,5 мкм) в сотнях узких смежных полос шириной около десяти нанометров. Большинство гиперспектральных датчиков работают в диапазонах VNIR/SWIR, используя солнечное освещение для обнаружения и идентификации материалов на основе их спектров отражения.

Если мы рассматриваем количество пространственных пикселей на спектральные каналы (по существу, количество ячеек с трехмерным разрешением в гиперкубе) как показатель сложности датчика, то мы можем сохранить общую сложность при переходе от панхроматического датчика (с одним широким спектральным каналом) к гиперспектральному датчику (с несколькими сотнями узких спектральных каналов) за счет уменьшения количества пространственных пикселей в несколько сотен раз при сохранении постоянного поля зрения. По сути, одномерное уменьшение пространственного разрешения примерно в пять раз (т.е. квадратный корень из K, числа спектральных полос, которое обычно составляет около 220) компенсирует увеличенное количество спектральных выборок и уменьшает требуемый диаметр апертуры на тот же коэффициент, таким образом снижая потенциальную стоимость датчика.

Коэффициент охвата территории

Во многих случаях основной мотивацией для применения спектральной визуализации для дистанционного зондирования является уменьшение требуемого пространственного разрешения - и, следовательно, размера и веса — датчика. Поэтому даже в этом кратком обзоре стоит рассмотреть конструктивные компромиссы, связанные с выбором пространственного и спектрального разрешения датчика спектрального изображения. В таблице 1 суммируются важные параметры формирования спектрального изображения в этом обсуждении.

Многомерное представление данных

Способ обработки данных спектрального изображения сильно зависит от высокой размерности данных. Чтобы проиллюстрировать концепцию размерности данных, мы рассмотрим мультиспектральное изображение от датчика только с тремя диапазонами волн: λ1, λ2 и λ3. Как и в случае с многомерностью, для характеристики материала используется отражательная способность материала, зависящая от длины волны. Для этого низкоразмерного примера, если измеряется несколько различных материалов, каждый материал может быть представлен в виде точки данных в трехмерном пространстве, как показано синими точками на рис. 9. Каждая уникальная точка в этом пространстве представляет спектральную сигнатуру, определяемую λ1, λ2, λ3. Таким образом, спектральная сигнатура рассматривается как вектор длины - или размерности - три. Это представление хорошо совместимо со многими алгоритмами численной обработки.

Уменьшение размерности

В зависимости от характера данных может оказаться возможным спроецировать облако данных в пространство меньшего размера, сохраняя при этом разделение и уникальность точек данных. Рисунок 9 иллюстрирует этот процесс, в котором трехмерное представление (обозначенное синими точками) проецируется на двумерную плоскость (обозначенную красными точками), уменьшая таким образом размерность на единицу. Если две или более синих точек проецируются на одну и ту же точку в двумерной плоскости, больше невозможно отличить проецируемые синие точки как уникальные. В целом, поиск проекции, которая сохраняет релевантное информационное содержание данных (разделение) при одновременном уменьшении размерности, является сложной задачей.

Та же концепция размерности, показанная на рис. 9, может быть применена к гиперспектральным датчикам с сотнями смежных спектральных диапазонов волн. В отличие от трехмерного примера, вся информация, содержащаяся в облаке многомерных данных, не может быть визуализирована с помощью двумерного или трехмерного перспективного графика. В лучшем случае мы можем построить двумерную и трехмерную визуализации, проецируя K-мерный спектральный вектор в соответствующим образом выбранное двумерное или трехмерное подпространство.

Важным следствием примера с уменьшением размеров является то, что, в отличие от обычных панхроматических и цветных изображений, гиперпространство с более высоким измерением требует компьютерной обработки для максимального извлечения и визуализации информации. Эта обработка может быть полностью автоматизирована или выполняться под руководством специалиста по анализу изображений. После завершения обработки информация может быть выделена, возможно, псевдоцветом, и отображена в виде двумерного изображения, но этап компьютерной обработки является важным предварительным этапом визуализации.

Сколько необходимо измерений?

Если задача состоит в том, чтобы различать конкретный целевой материал и определенный класс фона, обычно достаточно нескольких правильно выбранных диапазонов волн для разделения целевого и фонового материалов. Если это так, мы вполне можем усомниться в мотивации для гиперспектрального зондирования, при котором датчиком измеряются сотни смежных узких диапазонов волн. Однако разные материалы проявляют разные спектральные характеристики. Определенные краски и растительность могут характеризоваться широкими, медленно меняющимися спектральными характеристиками. Другие материалы, такие как минералы и газы, обладают очень узкими спектральными характеристиками, и расположение этих узких характеристик в спектральной полосе отличается для каждого класса материалов. Следовательно, узкие полосы частот могут потребоваться для разрешения признаков, которые помогают различать похожие спектры, а смежные полосы необходимы для обработки ожидаемого разнообразия материалов, поскольку важные признаки могут находиться в разных спектральных местоположениях для каждого материала. Кроме того, узкие полосы частот, которые охватывают полосы поглощения водяного пара, важны для оценки и корректировки изменяющегося содержания водяного пара в атмосфере.

Таким образом, если бы нас интересовали только несколько целевых материалов и фонов, ограниченного числа тщательно подобранных узких диапазонов волн было бы достаточно, чтобы повторно покрыть характерные спектральные особенности. Однако по мере добавления в список новых типов целей и фонов количество и расположение диапазонов волн, необходимых для различения любой заданной спектральной пары, быстро растут. Одним из возможных решений было бы создание множества датчиков специального назначения, каждый из которых собирает только минимальный набор диапазонов волн, необходимых для ограниченного набора целей и фонов. Более экономичным и надежным решением является создание датчика одного типа, который выполняет передискретизацию спектральной информации, и разработка алгоритмов для конкретного приложения или семейства алгоритмов, которые удаляют избыточную или нежелательную спектральную информацию, сохраняя при этом информацию, относящуюся к данному приложению. Суть гиперспектральной обработки для обнаружения и идентификации материалов заключается в выделении характерных признаков и подавлении избыточных или общих признаков.

Применения спектральных изображений

Путем передискретизации спектральной информации мы можем применять датчики гиперспектрального изображения для решения множества совершенно разных задач, адаптируя обработку, используемую для извлечения соответствующей информации. Однако имеет большое значение адаптация пространственного разрешения и поля зрения датчика к предполагаемому классу применения. Более высокое пространственное разрешение обеспечивает улучшенное отношение сигнала к фоновым помехам для пространственно малых целей, обычно за счет уменьшения поля зрения датчика. В общем случае пространственное разрешение датчика выбирается на основе пространственной протяженности основных объектов, представляющих интерес. На рисунке 10 представлена упрощенная таксономия множества различных типов применений гиперспектральной съемки, выделяющих три основные категории: обнаружение аномалий, распознавание цели и определение характеристик фона.

Обнаружение аномалий

Обнаружение аномалий характеризуется стремлением обнаружить и идентифицировать необычные особенности на изображении. Эти особенности могут быть искусственными материалами, выделяющимися на естественном фоне, или они могут быть отклонениями природных особенностей от нормы. Одним из первых применений мультиспектральной съемки было обнаружение распространения фитофтороза кукурузы на Среднем Западе [10]. Это применение зависит в первую очередь от способности различать коричневые увядшие листья, вкрапленные в поля здоровых зеленых стеблей кукурузы.

Распознавание цели

Распознавание цели отличается от обнаружения аномалий наличием некоторой априорной информации о цели. Эта информация может представлять собой список сигнатур спектрального отражения, связанных с целями, или менее явную информацию, такую как сигнатура отражения, извлеченная из сцены. Например, обнаружение аномалий может использоваться для выделения определенных материалов в сцене, а последующие проходы датчика изображения могут использоваться для поиска похожих материалов, а также для проверки того, что ранее обнаруженные объекты или материалы не перемещались. С помощью спектральной библиотеки материалы могут быть идентифицированы и связаны с определенными типами мишеней, обеспечивая тем самым определенную форму распознавания целей.

Справочная характеристика

Первые две категории применений, перечисленные на рисунке 10, подчеркивают обнаружение и идентификацию пространственно изолированных объектов на изображении в виде аномалий или целей. Третья категория подчеркивает общий анализ и идентификацию фоновой сцены и охватывает области суши, океана и атмосферы. Поскольку программа получения изображений Landsat работает уже более тридцати лет, большая часть данных спектральных изображений, собранных на сегодняшний день, была ориентирована на характеристику местности с использованием многоспектральных датчиков со значениями GSD в тридцать метров и более.

Примером определения характеристик фоновой сцены является определение характеристик побережья, включая батиметрию мелководья.

Спектральная обработка

Как подразумевалось в предыдущем разделе, количество и разнообразие применений для гиперспектрального дистанционного зондирования потенциально довольно велики. Однако большинство алгоритмов, используемых в этих применениях, могут быть организованы в соответствии со следующими примитивными задачами, специфичными для конкретного применения: (а) поиск пикселей гиперспектрального куба данных для редких спектральных сигнатур (обнаружение аномалий или обнаружение цели); (б) поиск значимых (т.е., важные для пользователя) изменения между двумя гиперспектральными сценами одного и того же географического региона (обнаружение изменений); (c) присвоение метки или класса каждому пикселю гиперспектрального куба данных (классификация); и (d) оценка доли площади пикселя, занимаемой каждым материалом, присутствующим в пикселе (размешивание). Обратите внимание, что с точки зрения обработки сигналов задача c (маркировка пикселей) является проблемой классификации, тогда как задача d (определение составляющих элементов пикселя) является проблемой оценки.

Предварительная обработка данных для уменьшения размерности

Исходные данные с датчика обычно должны проходить ряд операций калибровки и коррекции, чтобы компенсировать артефакты и изменения усиления в датчике. Результатом является откалиброванный куб излучения, который может быть обработан непосредственно, или он может иметь атмосферную компенсацию, применяемую к нему для получения куба отражения. После создания откалиброванного куба данных уменьшение размерности данных до применения алгоритмов определения или классификации может привести к значительному снижению общей вычислительной сложности. Уменьшение размерности данных также уменьшает количество пикселей, требуемых для получения точных оценок статистических параметров, поскольку количество выборок (пикселей), требуемых для получения статистической оценки с заданной точностью, обычно пропорционально некоторой степени размерности данных. Наиболее широко используемым алгоритмом уменьшения размерности является анализ главных компонент (PCA), который является дискретным аналогом преобразования Кархунена-Лоева для непрерывных сигналов.

Рисунок 11 представляет собой упрощенную блок-схему цепочки обработки спектра, начинающуюся с калиброванного куба излучения и иллюстрирующую общие элементы атмосферной компенсации и уменьшения размерности. Последующая специализированная обработка зависит от предполагаемого применения. На рисунке 11 показаны два из многих возможных применений, расслоение и обнаружение, каждое из которых кратко обсуждается в следующих разделах.

Гиперспектральное и мультиспектральное дистанционное зондирование для определения характеристик побережья

Океан занимает две трети поверхности земли. На оптические свойства океанической воды влияют многие факторы, такие как фитопланктон, взвешенные и органические вещества. Спектральное дистанционное зондирование позволяет осуществлять регулярный мониторинг этой части нашей планеты и получать информацию о состоянии океана.

Океанические воды обычно делятся на открытый океан и прибрежную акваторию. Фитопланктон является основным элементом, влияющим на воды как открытого океана, так и прибрежных вод. С другой стороны, прибрежные воды подвержены загрязнению множествами элементов, в том числе неорганическими частицами во взвешенном состоянии и органическими растворенными материалами. Таким образом, определение характеристик прибрежных районов представляет собой гораздо более сложную проблему для оптического дистанционного зондирования.

На рисунке А показаны спектральные характеристики мультиспектральных датчиков, использовавшихся за последние двадцать пять лет для мониторинга и исследования океанических вод. Спектральные каналы этих датчиков находятся в спектральном диапазоне от 0,4 до 1,0 мкм и были выбраны для использования эффектов отражения, обратного рассеяния, поглощения и флуоресценции различных компонентов океана. Эти мультиспектральные датчики различаются по количеству каналов и точному их расположению. Разнообразие диапазонов испектральных каналов в датчиках, показанных на рисунке А, указывает на отсутствие понимания того, что такое "лучшие" диапазоны. Несмотря на то, что эти мультиспектральные датчики обычно обеспечивают продукты для анализа материалов в открытом океане, их успех при характеристике прибрежных вод был минимальным из-за ограниченного числа спектральных полос. Сложные взаимосвязанные эффекты в прибрежных водах между атмосферой, водной толщей и прибрежным дном лучше разрешаются с помощью гиперспектральной съемки. Основанные на физике технологии и автоматизированные подходы к выделению признаков, получаемых из данных гиперспектральных датчиков, дают больше информации для исследования этих сложных явлений.

На рисунке В показаны некоторые образцы изображений в прибрежных районах. Гиперспектральные датчики, охватывающие спектральный диапазон от 0,4 до 1 мкм, включают необходимые каналы для сравнения с устаревшими мультиспектральными датчиками. Гиперспектральные датчики также могут собирать новую информацию, недоступную из-за ограниченного числа диапазонов в устаревших системах.

Несмотря на то, что в большинстве алгоритмов определения характеристик океана используется выходящее из воды излучение, эффект атмосферного аэрозоля наиболее выражен в коротковолновых видимых областях, где проводятся измерения цвета океана. При непрерывном спектральном покрытии компенсация атмосферного воздействия может быть выполнена с большей точностью и точностью.

Классификация в сравнении с обнаружением

Формально классификация - это процесс присвоения значения наблюдению (обычно вектору числовых значений), тогда как обнаружение - это процесс идентификации существования или возникновения условия. В этом смысле обнаружение можно рассматривать как проблему классификации по двум классам: цель существует или цель не существует. Традиционные классификаторы присваивают каждому пикселю одну и только одну категорию, создавая так называемую тематическую карту. Этот процесс называется жесткой классификацией. Однако необходимость более эффективно работать с пикселями, содержащими смесь различных материалов, приводит к концепции мягкой классификации пикселей. Программный классификатор может присваивать каждому пикселю несколько меток, причем каждая метка сопровождается числом, которое может быть интерпретировано как вероятность того, что эта метка правильная, или, в более общем смысле, как доля материала в пикселе.

Что касается продуктов данных, то цель алгоритмов обнаружения целей состоит в том, чтобы генерировать карты целей с постоянной частотой ложных срабатываний (CFAR), что является весьма желательной особенностью этих алгоритмов. Алгоритмы обнаружения изменений создают карту значительных изменений сцены, которые для надежной работы зависят от наличия надежного порога обнаружения изменений CFAR. Жесткие или мягкие тематические карты, создаваемые этими алгоритмами CFAR, передают информацию о материалах в сцене, и эта информация затем может быть более эффективно использована для обнаружения цели или изменений.

Подход с использованием тематических карт неосуществим для применений обнаружения целей из-за отсутствия обучающих данных для цели. На первый взгляд обнаружение и классификация выглядят обманчиво похожими, если не идентичными. Однако некоторые фундаментальные теоретические и практические различия возникают из-за редкости целевого класса, желаемого конечного продукта (карты обнаружения целей по сравнению с тематическими картами) и различных функций затрат (неправильная классификация пикселей на тематической карте не так критична, как пропуск цели или перегрузка алгоритма отслеживания цели с помощью ложных тревог).

Расслоение

Как отмечалось в обсуждении пространственного разрешения, поскольку материалы, представляющие интерес (т.е. цели), не могут быть полностью повторно разрешены в пикселе, имеет смысл декомпозировать спектральную сигнатуру из каждого пикселя в сцене в отдельную коллекцию спектров материала, содержащую каждый пиксель. Разработка алгоритмов для извлечения спектров, составляющих пиксель, процесс, называемый расслоением, активно проводился только в течение последнего десятилетия. В отличие от обнаружения и классификации, расслоение представляет собой проблему оценки. Следовательно, это более сложный процесс, который извлекает больше информации из данных.

Освещение сцены

Общее качество пассивных изображений и успех в извлечении и идентификации спектральных сигнатур из мультиспектральных или гиперспектральных изображений сильно зависит от условий освещения сцены. Как отмечалось ранее, освещение внутри сцены может значительно различаться из-за теней, атмосферных эффектов и угла наклона солнца. На самом деле, во многих широтах отсутствие достаточного солнечного освещения не позволяет получать надежные изображения спектрального отражения в течение значительной части суток. Очевидным решением этой проблемы является обеспечение активного контролируемого освещения интересующей сцены. Однако достижение этой простой цели требует гораздо большей сложности, чем мы можем себе представить на первый взгляд.

В пиковые месяцы солнечное освещение, достигающее поверхности Земли, может составлять 800 Вт/м2 или более, концентрируясь в видимой области спектра. Например, с помощью гиперспектрального датчика бортового видимого инфракрасного спектрометра (AVIRIS) Лаборатории реактивного движения НАСА (JPL) [12] для искусственного создания такого уровня непрерывной освещенности на участке 17 × 11 км, включающем линию сканирования AVIRIS, потребуется порядка оптической мощности 150 МВт, что явно непрактично. Для уменьшения требуемой мощности освещения можно предпринять несколько шагов. Проекция мгновенного поля зрения датчика на землю может быть уменьшена по площади. Это уменьшение может быть достигнуто путем сужения поля зрения датчика, или путем перемещения датчика ближе к сцене, или комбинацией того и другого. Поскольку площадь уменьшается пропорционально квадрату дальности и квадрату углового поля зрения, уменьшение каждого из них в десять раз уменьшит требуемую мощность освещения в 10 000 раз.

Интенсивность искусственного освещения также может быть уменьшена по сравнению с естественным солнечным освещением, но для этого требуется, чтобы датчик и связанная с ним обработка действовали при более низких SNR. В зависимости от освещаемой сцены может быть возможно уменьшение на порядок по сравнению с пиковой солнечной освещенностью. Уменьшение интенсивности освещения может быть достигнуто либо за счет равномерного уменьшения оптической мощности, либо за счет избирательного уменьшения освещенности в различных диапазонах волн. Например, с мультиспектральным датчиком нет смысла освещать диапазоны волн, которые находятся за пределами полос обнаружения датчика. Другим способом уменьшения общей энергии освещения является импульсное освещение во многом таким же образом, как у вспышки на фотокамере.

Благодаря сочетанию уменьшенной дальности действия, уменьшенного поля зрения, более низкого рабочего SNR и импульсной полосовой селективной подсветки можно активно освещать сцены для мультиспектральных и высокоперспективных датчиков. Ранним примером такого датчика был Мультиспектральный активный/пассивный датчик Lincoln Laboratory (MAPS), который включал активную импульсную лазерную подсветку при 0,85 мкм и 10,59 мкм, а также тепловизор с разрешением от 8 до 12 мкм [13]. Более поздняя работа, обсуждаемая в статье под названием "Активная спектральная визуализация" Мелиссы Л. Нишан, Роуз М. Джозеф, Джастина К. Либби и Джона П. Керекес, расширяет концепцию активного изображения до гиперспектрального режима, используя для освещения новый импульсный лазер с белым светом.

Хронология и перспективы получения спектральных изображений

Интересные параллели существуют в развитии радиолокационной визуализации и спектральной визуализации, и, в частности в гиперспектральной визуализации. На рисунке 12 показаны основные этапы разработки мультиспектральных и гиперспектральных бортовых и космических датчиков. Основные моменты в разработке SAR-визуализации также приведены в нижней части рисунка для сравнения. Первая операционная радиолокационная система - Chain Home Radar — начала функционировать в Великобритании в 1937 году. Менее чем шестнадцать лет спустя, в 1953 году, в Соединенных Штатах проводились эксперименты по радиолокации SAR с боковым обзором. Работа над бортовым SAR в конечном итоге привела к разработке и и запуску НАСА в 1978 году экспериментального космического аппарата Seasat SAR. Ровно четверть века прошло между первоначальной демонстрацией SAR с боковым обзором с воздуха и запуском SAR Seasat, находящегося в космосе.

Для сравнения, один из первых успешных бортовых мультиспектральных сканирующих тепловизоров, Институт экологических исследований Мичигана (ERIM) M-7, был продемонстрирован в 1963 году. Двадцать четыре года спустя, в 1987 году, был введен в эксплуатацию первый бортовой гиперспектральный тепловизор под названием AVIRIS. AVIRIS был первым спектрометром изображения, ориентированным на Землю, который охватил всю часть спектра, отражающую солнечное излучение, в нескольких смежных спектральных каналах. Через тринадцать лет после ввода в эксплуатацию AVIRIS на EO-1 был выведен на орбиту первый космический гиперспектральный датчик под названием Hyperion. Тридцатичетырехлетний временной лаг между первым воздушным SAR в 1953 году и первым воздушным гиперспектральным тепловизором в 1987 году, а также двадцатидвухлетний лаг между запуском Seasat и Hyperion позволяют предположить, что гиперспектральная визуализация развивается по графику, аналогичному SAR, но представляет собой на несколько десятилетий менее зрелый.

Заимствуя опыт работы над алгоритмами и уроки, извлеченные при разработке радаров и мультиспектральных датчиков, есть основания полагать, что более чем двадцатилетний разрыв в зрелости между SAR-визуализацией и гиперспектральной визуализацией может быть быстро преодолен. По сравнению с двадцатипятилетним разрывом между первым воздушным SAR и запуском космического SAR, разница всего в тринадцать лет между AVIRIS, первым воздушным гиперспектральным датчиком, и космическим Hyperion является обнадеживающим признаком того, что гиперспектральные технологии быстро развиваются.

Таблица 2. Сравнение систем гиперспектральной визуализации

В таблице 2 сделан общий обзор систем спектрального изображения, в котором сравниваются основные характеристики трех гиперспектральных датчиков - эксперимента по получению гиперспектральных цифровых изображений (HYDICE) [14], AVIRIS и Hyperion [15], на которые даны ссылки на рисунке 12. Обратите внимание, что датчики охватывают диапазон высот и GSD. На рисунке 13 (не показан в масштабе) сравниваются значения ширины полосы датчиков, иллюстрирующие компромисс между пространственным разрешением, ACR и высотой. На рисунке 13 также показана ширина полосы Landsat-7, которая опережает EO-1 на орбите на одну минуту. Данные с этих и других датчиков предоставляют сообществу датчиков движения возможность совершенствовать алгоритмы и концепции применений.

Рекомендации

1. Б.Д. Сири, Д.Б. Крамер, К. Стивенс и Д. Ленчиони, "EO-1: Первая миссия НАСА на околоземной орбите Нового тысячелетия", SPIE 2810, 1996, стр. 4-10.

2. И.Дж. Эллисон и Э.А. Нил, "Заключительный отчет о метеорологической спутниковой системе ТИРОС-1", Технический отчет НАСА R-131, Центр космических полетов имени Годдарда, Гринбелт, Мэриленд, 1962 год.

3. У.Э. Эасиас, М.Р. Эбботт, И. Бартон, О.Б. Браун, Дж.У. Кэмпбелл, К.И. Кардер, Д.К. Кларк, Р.Х. Эванс, Ф.Э. Хоге, Х.Р. Гордон, У.М. Бэлч, Р. Летелье и П.Дж. Миннетт, "Обзор возможностей MODIS для Научные наблюдения за океаном", IEEE Trans. Геосци. Дистанционный датчик. 35 (4), 1998, стр. 1250-1265.

4. С.Л. Устин, Д.А. Робертс и К.Дж. Харт, "Сезонные модели растительности в Калифорнийской прибрежной Саванне, полученные на основе данных расширенного спектрометра видимого/ инфракрасного изображения (AVIRIS)", в книге "Обнаружение изменений с помощью дистанционного зондирования: приложения и методы мониторинга окружающей среды", К.Д. Элвидж и Р.С. Лунетта, эдс. (Ann Arbor Press, Анн-Арбор, Мичиган, 1998), стр. 163-180.

5. Т. Пели, М. Янг и К. Эллис, "Обнаружение многоспектральных изменений", SPIE 3071, 1997, стр. 97-105.

6. К.А. Уайли, "Методы и устройства импульсной доплеровской радиолокации", Патент США № 3196 436, 20 июля 1965 года.

7. С.А. Ованесян, Введение в радары с синтетической антенной решеткой и визуализацией (Artech House, Дедхэм, Массачусетс, 1980).

8. Х.А. Зебкер и Р.М. Гольдштейн, "Топографическое картографирование по данным интерферометрических радиолокационных наблюдений с синтезированной апертурой", J. Geophys. Res. 91 (B5), 1986, стр. 4993-4999.

9. Д. Ландгреб, "Анализ данных гиперспектрального изображения", IEEE Signal Process. Журнал 19 (1), 2002, стр. 17-28.

10. Д. Ландгребе, "Эволюция анализа данных Landsat", Фотограмма. Англ. и Дистанционный Сенсор. LXIII (7), 1997, стр. 859-867.

11. Д.Р. Хирн, К.Дж. Дигенис, Д.Э. Ленчиони, Дж.А. Менденхолл, Дж.Б. Эванс и Р.Д. Уэлч, "Обзор и пространственные характеристики EO-1 Advanced Land Imager", Proc. IGARRS 2001 2, Сидней, 9-13 2001, стр. 897-200.

12. Г. Вейн, "Первые результаты бортового спектрометра видимого/инфракрасного излучения (AVIRIS)", Публикация JPL 87-38, 15 ноября 1987 г.

13. А.Б. Гшвендтнер и В.Э. Кейхер, "Разработка совместного лазерного радара в лаборатории Линкольна", Linc. Lab. J. 12 (2), 2000, стр. 383-396.

14. Л.Дж. Рикард, Р. Базедоу, Э. Залевски, П. Сильвергейт и М. Ландерс, "HYDICE: Воздушная система для гиперспектральной визуализации", SPIE 1937, 1993, стр. 173-179.

15. Дж. Перлман, К. Сигал, Л. Ляо, С. Карман, М. Фолкман, Б. Браун, Л. Онг и С. Унгар, "Разработка и эксплуатация спектрометра визуализации гипериона EO-1", SPIE 4135, 2000, стр. 243-253.







Авторы статьи

Гэри А. Шоу является старшим сотрудником группы передовых космических систем и концепций. В настоящее время его исследования сосредоточены на концепциях совместного зондирования, включая энергоэффективные методы как прямой, так и нелинейной электрооптической связи и сетевого взаимодействия. Он присоединился к лаборатории Линкольна в 1980 году для работы над адаптивной обработкой для радиолокационных систем и был членом исследовательской группы, которая в начале 1980-х годов запустила программу по разработке концепций недорогого космического радара. С 1984 по 1987 год он занимал должность директора по испытаниям и помощника руководителя радаров ALCOR и MMW на полигоне Кваджалейн для повторных измерений. После своего тура по Кваджалейну он работал помощником руководителя группы, а затем заместителем руководителя группы в том, что сейчас называется Группой сенсорных технологий и системных применений, где он применил свой опыт обработки сигналов для разработки алгоритмов радаров и пассивных датчиков. Он получил степени бакалавра и магистра в области электротехники в Университете Южной Флориды, а также степень доктора философии в области электротехники в Технологическом институте Джорджии, где он был одновременно стипендиатом Президента и стипендиатом Schlumberger.

Сяо-хуа К. Берк является лидером группы сенсорных технологий и системных применений. В области дистанционного зондирования она специализируется на применении оптических датчиков, в частности, анализе данных и разработке алгоритмов. Свежим увлечением Сяо-хуа является применение гиперспектральной технологии в Министерстве обороны, включая объединение гиперспектральной информации с другими датчиками. Она получила степень доктора философии по физике атмосферы в Университете Райса и в 1981 году присоединилась к Лаборатории Линкольна в качестве сотрудника.