Мультиспектральная визуализация
Мультиспектральная визуализация фиксирует данные изображения в определенных диапазонах длин волн электромагнитного спектра . Длины волн могут быть разделены фильтрами или обнаружены с использованием приборов, чувствительных к определенным длинам волн, включая свет с частотами за пределами диапазона видимого света (т.е. инфракрасного и ультрафиолетового ). Это может позволить извлекать дополнительную информацию, которую человеческий глаз не может уловить своими видимыми рецепторами красного, зеленого и синего . Первоначально он был разработан для идентификации и разведки военных целей. Первые космические платформы визуализации включали технологию мультиспектральной визуализации. [1] составить карту деталей Земли, связанных с прибрежными границами, растительностью и формами рельефа. [2] Мультиспектральная визуализация также нашла применение при анализе документов и картин. [3] [4]
Мультиспектральная визуализация измеряет свет в небольшом количестве (обычно от 3 до 15) спектральных диапазонов . Гиперспектральная визуализация — это особый случай спектральной визуализации, при котором часто доступны сотни смежных спектральных полос. [5]
Использование спектрального диапазона
[ редактировать ]Для разных целей могут использоваться разные комбинации спектральных диапазонов. Обычно они представлены красным, зеленым и синим каналами. Сопоставление полос с цветами зависит от цели изображения и личных предпочтений аналитиков. Тепловое инфракрасное излучение часто не учитывается из-за плохого пространственного разрешения, за исключением специальных целей.
- В режиме True Color используются только красный, зеленый и синий каналы, сопоставленные с соответствующими цветами. Как простая цветная фотография, она хороша для анализа искусственных объектов и ее легко понять начинающим аналитикам.
- Зелено-красно-инфракрасный , где синий канал заменяется ближним инфракрасным, используется для растительности, которая имеет высокую отражательную способность в ближнем ИК-диапазоне; затем он отображается синим цветом. Эта комбинация часто используется для обнаружения растительности и камуфляжа.
- Blue-NIR-MIR , где синий канал использует видимый синий цвет, зеленый использует NIR (поэтому растительность остается зеленой), а MIR отображается красным. Такие изображения позволяют увидеть на одном изображении глубину воды, растительный покров, влажность почвы и наличие пожаров.
Используются многие другие комбинации. БИК часто отображается красным, из-за чего покрытые растительностью участки кажутся красными.
Типичные спектральные полосы
[ редактировать ]Длины волн приблизительны; точные значения зависят от конкретных приборов (например, характеристик спутниковых датчиков для наблюдения Земли, характеристик освещенности и датчиков для анализа документов):
- Синий , 450–515/520 нм, используется для получения изображений атмосферы и глубокой воды и может достигать глубины до 150 футов (50 м) в чистой воде.
- Зеленый цвет , 515/520–590/600 нм, используется для визуализации растительности и глубоководных структур на глубине до 90 футов (30 м) в чистой воде.
- Красный , 600/630–680/690 нм, используется для визуализации искусственных объектов в воде глубиной до 30 футов (9 м), почвы и растительности.
- Ближний инфракрасный диапазон (NIR), 750–900 нм, используется в основном для визуализации растительности.
- Средний инфракрасный диапазон (MIR), 1550–1750 нм, используется для визуализации растительности, влажности почвы и некоторых лесных пожаров .
- Дальний инфракрасный диапазон (FIR), 2080–2350 нм, используется для визуализации почвы, влаги, геологических особенностей, силикатов, глин и пожаров.
- Тепловое инфракрасное излучение с длиной волны 10 400–12 500 нм использует испускаемое вместо отраженного излучения для изображения геологических структур, тепловых различий в водных потоках, пожаров и для ночных исследований.
- Радар и связанные с ним технологии полезны для картографирования местности и обнаружения различных объектов.
Классификация
[ редактировать ]В отличие от других работ по интерпретации аэрофотосъемок и спутниковых изображений , эти мультиспектральные изображения не позволяют легко определить тип объекта путем визуального осмотра. Следовательно, данные дистанционного зондирования должны быть сначала классифицированы, а затем обработаны с помощью различных методов улучшения данных, чтобы помочь пользователю понять особенности, присутствующие на изображении.
Такая классификация представляет собой сложную задачу, которая предполагает строгую проверку обучающих выборок в зависимости от используемого алгоритма классификации. Техники можно разделить в основном на два типа.
- Методы контролируемой классификации
- Методы неконтролируемой классификации
Контролируемая классификация использует обучающие выборки. Обучающие выборки — это области на местности, для которых существует основная истина , то есть то, что там известно. Спектральные сигнатуры обучающих областей используются для поиска подобных сигнатур в остальных пикселях изображения, и мы соответствующим образом классифицируем их. Такое использование обучающих выборок для классификации называется контролируемой классификацией. Экспертные знания очень важны в этом методе, поскольку выбор обучающих выборок и необъективный отбор могут плохо повлиять на точность классификации. Популярные методы включают принцип максимального правдоподобия и сверточную нейронную сеть . Принцип максимального правдоподобия вычисляет вероятность принадлежности пикселя к определенному классу (т.е. признаку) и относит пиксель к его наиболее вероятному классу. Новые сверточных нейронных сетей методы на основе [6] учитывать как пространственную близость, так и целые спектры, чтобы определить наиболее вероятный класс.
В случае неконтролируемой классификации не требуется никаких предварительных знаний для классификации особенностей изображения. Наблюдается естественная кластеризация или группировка значений пикселей (т.е. уровней серого пикселей). Затем определяется порог для принятия количества классов в изображении. Чем тоньше пороговое значение, тем больше будет классов. Однако за пределами определенного предела один и тот же класс будет представлен в разных классах в том смысле, что представлены вариации в классе. После формирования кластеров основная проверка истинности выполняется для определения класса, к которому принадлежит пиксель изображения. Таким образом, в этой неконтролируемой классификации априорная информация о классах не требуется. Одним из популярных методов неконтролируемой классификации является кластеризация по k-средним .
Программное обеспечение для анализа данных
[ редактировать ]- MicroMSI одобрен NGA .
- Opticks — это приложение дистанционного зондирования с открытым исходным кодом.
- Multispec — бесплатное программное обеспечение для мультиспектрального анализа. [7]
- Gerbil — это программное обеспечение для мультиспектральной визуализации и анализа с открытым исходным кодом. [8]
Приложения
[ редактировать ]Отслеживание военных целей
[ редактировать ]Мультиспектральная визуализация измеряет излучение света и часто используется для обнаружения или отслеживания военных целей. В 2003 году исследователи из Исследовательской лаборатории армии США и Альянса технологий совместной работы федеральных лабораторий сообщили о двухдиапазонной решетке мультиспектральной визуализации в фокальной плоскости (FPA). Этот FPA позволил исследователям одновременно смотреть в две инфракрасные (ИК) плоскости. [9] Поскольку технологии средневолнового инфракрасного излучения (MWIR) и длинноволнового инфракрасного излучения (LWIR) измеряют излучение, присущее объекту, и не требуют внешнего источника света, их также называют методами тепловидения .
Яркость изображения, получаемого тепловизором, зависит от излучательной способности объектов и температуры. [10] Каждый материал имеет инфракрасную сигнатуру , которая помогает идентифицировать объект. [11] Эти сигнатуры менее выражены в гиперспектральных системах (которые отображают гораздо больше каналов, чем в мультиспектральных системах), а также при воздействии ветра и, что более важно, дождя. [11] Иногда поверхность цели может отражать инфракрасную энергию. Это отражение может неверно истолковать истинное значение собственного излучения объектов. [12] Системы визуализации, использующие технологию MWIR, лучше работают с солнечными отражениями на поверхности цели и создают более четкие изображения горячих объектов, таких как двигатели, по сравнению с технологией LWIR. [13] Однако LWIR лучше работает в туманной среде, такой как дым или туман, поскольку меньшее рассеяние . на более длинных волнах происходит [10] Исследователи утверждают, что двухдиапазонные технологии объединяют эти преимущества, чтобы предоставить больше информации из изображения, особенно в области отслеживания целей. [9]
Для обнаружения целей в ночное время тепловидение превосходит однодиапазонное многоспектральное изображение. Двухдиапазонная технология MWIR и LWIR обеспечила лучшую визуализацию в ночное время, чем только MWIR. Цитирование Цитирование. Армия США сообщает, что ее двухдиапазонный LWIR/MWIR FPA продемонстрировал лучшую визуализацию тактических транспортных средств, чем только MWIR, после отслеживания их как днем, так и ночью. [ нужна ссылка ]
Обнаружение мин
[ редактировать ]Анализируя излучательную способность земных поверхностей, мультиспектральная визуализация может обнаружить присутствие подземных ракет. Поверхностные и подземные почвы обладают разными физическими и химическими свойствами, которые проявляются при спектральном анализе. [11] Нарушенная почва имеет повышенную излучательную способность в диапазоне длин волн от 8,5 до 9,5 микрометров, при этом не демонстрируя никаких изменений на длинах волн более 10 микрометров. [9] Двойной MWIR/LWIR FPA Исследовательской лаборатории армии США использовал «красные» и «синие» детекторы для поиска областей с повышенной излучательной способностью. Красный детектор действует как фон, проверяя области нетронутых участков почвы, поскольку он чувствителен к длине волны 10,4 микрометра. Синий детектор чувствителен к длинам волн 9,3 микрометра. Если интенсивность синего изображения меняется при сканировании, скорее всего, эта область повреждена . Ученые сообщили, что объединение этих двух изображений увеличило возможности обнаружения. [9]
Обнаружение баллистических ракет
[ редактировать ]Для перехвата межконтинентальной баллистической ракеты (МБР) на этапе разгона требуется визуализация твердого тела, а также шлейфов ракеты. MWIR представляет сильный сигнал от сильно нагретых объектов, включая шлейфы ракет, тогда как LWIR производит выбросы из материала корпуса ракеты. Научно-исследовательская лаборатория армии США сообщила, что с помощью их двухдиапазонной технологии MWIR/LWIR отслеживание одноразовых ракет-носителей Atlas 5 Evolved, аналогичных по конструкции межконтинентальным баллистическим ракетам, захватывает как корпус ракеты, так и оперение. [9]
Космическая съемка
[ редактировать ]Большинство радиометров дистанционного зондирования (ДЗ) получают мультиспектральные изображения. Разделяя спектр на множество полос, мультиспектральный является противоположностью панхроматического , который фиксирует только суммарную интенсивность излучения, падающего на каждый пиксель . [14] Обычно спутники наблюдения Земли имеют три и более радиометров . Каждый получает одно цифровое изображение (в дистанционном зондировании, называемое «сценой») в небольшом спектральном диапазоне. Полосы сгруппированы в диапазоны длин волн в зависимости от происхождения света и интересов исследователей.
Прогноз погоды
[ редактировать ]Современные метеорологические спутники создают изображения в различных спектрах. [15]
Мультиспектральная визуализация объединяет от двух до пяти спектральных диапазонов изображения с относительно широкой полосой пропускания в единую оптическую систему. Мультиспектральная система обычно обеспечивает комбинацию видимого (0,4–0,7 мкм), ближнего инфракрасного (NIR; 0,7–1 мкм), коротковолнового инфракрасного (SWIR; 1–1,7 мкм) и средневолнового инфракрасного диапазона (MWIR; 3,5–5). мкм) или длинноволнового инфракрасного (LWIR; от 8 до 12 мкм) диапазонов в единую систему. — Валери К. Коффи [16]
В случае спутников Landsat использовалось несколько различных обозначений диапазонов, при этом целых 11 диапазонов ( Landsat 8 ) составляли мультиспектральное изображение. [17] [18] [19] Спектральная визуализация с более высоким радиометрическим разрешением(с участием сотен или тысяч полос), более высокое спектральное разрешение (с участием меньших полос) или более широкий спектральный охват можно назвать гиперспектральным или ультраспектральным. [19]
Документы и произведения искусства
[ редактировать ]Мультиспектральную визуализацию можно использовать для исследования картин и других произведений искусства. [3] Картина облучается ультрафиолетовыми , видимыми и инфракрасными лучами, а отраженное излучение регистрируется камерой, чувствительной в этой области спектра. Изображение также может быть зарегистрировано с использованием прошедшего вместо отраженного излучения. В особых случаях картину можно облучать УФ- лучами и флуоресценцию пигментов , видимыми или ИК - или лаков . регистрировать [20]
Мультиспектральный анализ помог интерпретировать древние папирусы , например, найденные в Геркулануме , путем визуализации фрагментов в инфракрасном диапазоне (1000 нм). Часто текст документов невооруженным глазом выглядит как черные чернила на черной бумаге. Разница в том, как бумага и чернила отражают инфракрасный свет при длине волны 1000 нм, делает текст четко читаемым. Он также использовался для изображения палимпсеста Архимеда путем визуализации листьев пергамента в полосе пропускания от 365 до 870 нм, а затем с использованием передовых методов цифровой обработки изображений, чтобы выявить подтекст в работах Архимеда. [21] Мультиспектральная визуализация использовалась в проекте Фонда Меллона в Йельском университете для сравнения чернил в средневековых английских рукописях. [4]
Мультиспектральная визуализация также использовалась для изучения изменений цвета и пятен на старых книгах и рукописях. Сравнение «спектрального отпечатка» пятна с характеристиками известных химических веществ может позволить идентифицировать пятно. Этот метод использовался для изучения медицинских и алхимических текстов в поисках подсказок о деятельности ранних химиков и возможных химических веществах, которые они могли использовать в своих экспериментах. Подобно повару, проливающему муку или уксус в кулинарную книгу, древний химик мог оставить на страницах вещественные доказательства ингредиентов, используемых для изготовления лекарств. [22]
См. также
[ редактировать ]- Гиперспектральная визуализация
- Визуализирующий спектрометр
- Визуализирующая спектроскопия
- Жидкокристаллический перестраиваемый фильтр
- Мультиспектральное распознавание образов
- Нормализованный разностный вегетационный индекс (NDVI)
- Паншарпенинг
- Разведывательный спутник
- Дистанционное зондирование
- Спутниковые снимки
Ссылки
[ редактировать ]- ^ Р. А. Шовенгердт. Дистанционное зондирование: модели и методы обработки изображений, Academic Press, 3-е изд., (2007).
- ^ «13. Обработка мультиспектральных изображений | Природа географической информации» . www.e-education.psu.edu . Проверено 14 ноября 2019 г.
- ^ Перейти обратно: а б Баронти, А. Казини, Ф. Лотти и С. Порчинай, Система мультиспектральной визуализации для картирования пигментов в произведениях искусства с использованием анализа главных компонентов, Applied Optics Vol. 37, выпуск 8, стр. 1299–1309 (1998).
- ^ Перейти обратно: а б Вейскотт, Эрик. «Мультиспектральные изображения и средневековые рукописи». В исследовании The Routledge, посвященном цифровой средневековой литературе . Бойл, Дженнифер Э. и Хелен Дж. Берджесс. Лондон: Рутледж. Стр. 186–96.
- ^ Хаген, Натан; Куденов, Майкл В. (2013). «Обзор технологий спектральной визуализации моментальных снимков» . Оптическая инженерия . 52 (9): 090901. Бибкод : 2013OptEn..52i0901H . дои : 10.1117/1.OE.52.9.090901 .
- ^ Ран, Линьян; Чжан, Яннин; Вэй, Вэй; Чжан, Цилинь (23 октября 2017 г.). «Структура классификации гиперспектральных изображений с функциями пространственных пар пикселей» . Датчики . 17 (10): 2421. Бибкод : 2017Senso..17.2421R . дои : 10.3390/s17102421 . ПМК 5677443 . ПМИД 29065535 .
- ^ Биль, Ларри; Ландгребе, Дэвид (1 декабря 2002 г.). «MultiSpec: инструмент для мультиспектрально-гиперспектрального анализа данных изображений» . Компьютеры и геонауки . 28 (10): 1153–1159. Бибкод : 2002CG.....28.1153B . дои : 10.1016/S0098-3004(02)00033-X . Проверено 28 апреля 2017 г.
- ^ Джордан, Йоханнес; Ангелопулу, Элли (2010). «Gerbil — новая программная платформа для визуализации и анализа в мультиспектральной области». В Рейнхарде Кохе (ред.). Видение, моделирование и визуализация . Ассоциация Еврографика. дои : 10.2312/PE/VMV/VMV10/259-266 . ISBN 978-3-905673-79-1 .
- ^ Перейти обратно: а б с д и Гольдберг, А.; Стэнн, Б.; Гупта, Н. (июль 2003 г.). «Исследование мультиспектральных, гиперспектральных и трехмерных изображений в Исследовательской лаборатории армии США» (PDF) . Материалы Международной конференции по международному синтезу [6] . 1: 499–506.
- ^ Перейти обратно: а б «Букварь по теории международных отношений» . Оптоинжиниринг . Проверено 15 августа 2018 г.
- ^ Перейти обратно: а б с Макки, Ихаб; Юнес, Рафик; Фрэнсис, Кловис; Бьянки, Тициано; Зуккетти, Массимо (01 февраля 2017 г.). «Обзор обнаружения мин с использованием гиперспектральной визуализации» (PDF) . Журнал фотограмметрии и дистанционного зондирования ISPRS . 124 : 40–53. Бибкод : 2017JPRS..124...40M . дои : 10.1016/j.isprsjprs.2016.12.009 . ISSN 0924-2716 .
- ^ Оболочка; Чжао, Юнцян; Пан, Цюань; Конг, Сон Г. (25 июня 2018 г.). «Удаление отражений в LWIR-изображении с поляризационными характеристиками» . Оптика Экспресс . 26 (13): 16488–16504. Бибкод : 2018OExpr..2616488L . дои : 10.1364/OE.26.016488 . ISSN 1094-4087 . ПМИД 30119479 .
- ^ Нгуен, Чуонг; Гавличек, Джозеф; Фань, Голян; Колфилд, Джон; Паттичис, Мариос (ноябрь 2014 г.). «Надежное двухдиапазонное инфракрасное сопровождение целей MWIR/LWIR». 2014 48-я Асиломарская конференция по сигналам, системам и компьютерам . стр. 78–83. дои : 10.1109/ACSSC.2014.7094401 . ISBN 978-1-4799-8297-4 . S2CID 9071883 .
- ^ «3.1.1. Мультиспектральные и панхроматические изображения» . Проект ЗВЕЗДА . Проверено 14 мая 2018 г.
- ^ Беллерби, Тим; Тодд, Мартин; Найвтон, Дом; Кидд, Крис (2001). «Оценка количества осадков на основе сочетания радара осадков TRMM и многоспектральных спутниковых изображений GOES с использованием искусственной нейронной сети» . Журнал прикладной метеорологии . 40 (12): 2115. doi : 10.1175/1520-0450(2001)040<2115:REFACO>2.0.CO;2 . ISSN 1520-0450 . S2CID 119747098 .
- ^ Коффи, Валери К. (1 апреля 2012 г.). «Мультиспектральная визуализация становится мейнстримом» . Новости оптики и фотоники . 23 (4): 18. дои : 10.1364/ОПН.23.4.000018 . Проверено 14 мая 2018 г.
- ^ «Какие обозначения диапазонов имеют спутники Landsat?» . Геологическая служба США . Архивировано из оригинала 22 января 2017 года . Проверено 25 апреля 2018 г.
- ^ Гролье, Морис Дж.; Тиббитс-младший, Дж. Чейз; Ибрагим, Мохаммед Мукред (1984). Качественная оценка гидрологии Йеменской Арабской Республики по изображениям Landsat. Water Supply Paper 1757-P Автор: . УСГПО с. 19 . Проверено 14 мая 2018 г.
- ^ Перейти обратно: а б Татем, Эндрю Дж.; Гетц, Скотт Дж.; Хэй, Саймон И. (2008). «Пятьдесят лет спутников наблюдения за Землей» . Американский учёный . 96 (5): 390–398. дои : 10.1511/2008.74.390 . ПМК 2690060 . ПМИД 19498953 .
- ^ Мультиспектральные изображения в ColourLex
- ^ «Мультиспектральное изображение Палимпсеста Архимеда» . Проект «Архимед Палимпсест» . Проверено 17 сентября 2015 г.
- ^ Аврил, Том (14 мая 2018 г.). «Сканирование раскрывает тайны средневековой книги о Гарри Поттере и медицинских текстов в Пенсильванском университете » Филадельфийский исследователь . Проверено 14 мая 2018 г.
Дальнейшее чтение
[ редактировать ]- Хаф, Гарольд (1991). Спутниковое наблюдение . Порт-Таунсенд, Вашингтон: Loompanics Unlimited. ISBN 1-55950-077-8 .
