Использование данных дистанционного зондирования Земли при трехмерном моделировании естественных ландшафтных сцен

Введение. Системы дистанционного зондирования Земли (ДЗЗ) находят эффективное применение во многих отраслях народного хозяйства: гидрометеорологии, контроле окружающей среды, геологии, сельском и лесном хозяйствах, военной разведке. Однако в исходном виде изображения, формируемые с помощью различных систем ДЗЗ, не могут быть использованы по назначению, поскольку имеют значительные геометрические искажения по отношению к объектам наблюдаемой сцены.

Методы получения данных дистанционного зондирования Земли. На данный момент наиболее популярные методы получения данных для моделирования трехмерных сцен в геоинформационных системах (ГИС) – это лазерное сканирование объектов (LIDAR-данные) и зондирование Земли с космоса (снимки с искусственных спутников Земли). Таким образом, данные ДЗЗ – это LIDAR-данные, космические снимки Земли и аэрофотоснимки. Аэрокосмические снимки представляются в виде растровых изображений, поэтому проблематика обработки и интерпретация таких данных тесно связана с цифровой обработкой изображений. Любая система ДЗЗ предусматривает совместное функционирование двух сегментов: орбитального и наземного, общая схема представлена на рис. 1.

Космический (орбитальный) сегмент – это собственно спутник с системой управления пространственного ориентирования, получения информации и передачи данных. Наземный сегмент – в данном случае это центр приема данных дистанционного зондирования Земли [1]. Упрощенную схему системы приема и обработки данных дистанционного зондирования Земли можно увидеть на рис. 2.

Наземный сегмент обеспечивает управление полетом космических спутников, регулирование режимов работы аппаратуры передачи данных, прием результатов ДЗЗ, их хранение, обработку, распространение и сбор заявок от потребителей.

Несмотря на наличие большого количества преимуществ в использовании данных с космических снимков, существует и ряд ограничений: экономические затраты (необходимость в покупке снимков, архивные снимки в таком случае более доступны), приобретение специализированного программного обеспечения для обработки снимков и их интеграция с ГИС.

Программные продукты, использующиеся при обработке и анализе материалов дистанционного зондирования, разделяются на специальные и универсальные. Коммерческие пакеты программ, как правило, имеют универсальное ядро и настраиваемые на конкретные задачи модули. Специальные программные продукты привязаны к решению узкого класса задач и зачастую впоследствии за их счет наращивается количество модулей, связанных с универсальным ядром коммерческих программных пакетов. Для обработки данных дистанционного зондирования Земли могут использоваться любые программные средства, обеспечивающие достоверность и качество получаемых результатов. Обязательным требованием при выборе программного обеспечения является возможность работать с данными дистанционного зондирования Земли, имеющими географическую привязку.

Рис. 1. Структура системы дистанционного зондирования Земли

Рис. 2. Общая схема системы приема и обработки данных ДЗЗ

Лазерное сканирование Земли. Лидары. Рассмотрим еще один вид дистанционного зондирования Земли – лидар (LIDAR – Light Identification, Detection and Ranging). Это технология получения и обработки информации дистанционного зондирования с помощью активных оптических систем (лазеров), использующих в том числе явления отражения света от поверхности Земли с проведением высокоточных измерений X, Y, Z координат. Лидар изначально использовался в приложениях воздушной лазерной съемки, он является с экономической точки зрения прекрасной альтернативой традиционной съемке с использованием фотограмметрической обработки данных. Данные лидарной съемки представляют собой набор данных, содержащих облака точек, которые могут управляться, отображаться, анализироваться и совместно использоваться с помощью ГИС. Характерной особенностью скановых изображений, формируемых в процессе полета спутника, является изменение по сложным законам степени перекрытия сканов, которая зависит от многих факторов: параметров орбиты и углов ориентации спутника; режимов работы сканера (маневры спутника и программное отклонение поля зрения датчика); рельефа местности и др. Действие этих факторов приводит к нарушению структуры изображения в виде геометрических разрывов объектов наблюдаемой сцены вдоль линии соприкасания ска- нов. В связи с этим остро стоит проблема получения из отдельных перекрывающихся сканов единого непрерывного изображения в заданной картографической проекции. В данной статье в качестве исходных данных рассматриваются LIDAR-данные. Основными преимуществами использования облаков точек является относительная дешевизна и оперативность их получения, а также высокая степень детализации. Лазерная съемка с наземных источников TLIDAR (Terrestrial LIDAR) имеет несколько недостатков, которых лишена LIDAR-съемка с воздуха. Это прежде всего сбор информации в «поле», требующий огромных временных и экономических затрат, а также труднодоступность некоторых участков территории. Рассмотрим основной принцип работы воздушного лидара, схематично изображенный на рис. 3.

Излучатель – полупроводниковый лазер ближнего инфракрасного диапазона, работающий в импульсном режиме. Для каждого излученного импульса регистрируется время, затраченное на распространение от источника до объекта, вызвавшего отражение, и обратно к приемнику – наклонная дальность. Также для каждого излученного импульса регистрируется текущее значение угла отклонения сканирующего элемента (зеркала, призмы, оптического клина). Величина этого угла позволяет однозначно определить направление распространения зондирующего луча (линию визирования) в системе координат лидара, которая «жестко» связана со строительными осями сканерного блока лидара. В свою очередь, положение и ориентация системы координат лидара в геодезической (или географической) системе координат определяются благодаря присутствию на борту в составе лидара носителя навигационного комплекса. Он обеспечивает непрерывное определение трех пространственных координат положения сканерного блока X, Y, Z и трех углов его ориентации ω, φ, κ. Такой набор шести параметров пространственного положения и угловой ориентации в фотограмметрии называется элементами внешнего ориентирования. Работа бортового навигационного комплекса основана на взаимодействии приемника спутниковой системы GPS и инерциальной системы [2].

Рис. 3. Принцип работы воздушного лидара

Принципы работы с LIDAR-данными. Перейдем к рассмотрению принципов работы с LIDAR-данными. Получение трехмерных модельных сцен на основе данных лазерного сканирования – задача, решение которой затрагивает как области компьютерной графики, так и компьютерного зрения. Задача реконструкции ландшафтных сцен на основе исходного облака точек с лазерных сканеров разбивается на следующие подзадачи:

– камеральная обработка – объединение исходных данных в единую систему координат;

– классификация точек на точки земли, леса (точки лиственной массы, точки стволов деревьев) и точки антропологических объектов;

– восстановление ландшафта – поверхности земли;

– моделирование лиственной массы – деревьев и кустарников.

Для получения достаточного количества информации лазеру необходимо дважды просканировать один и тот же участок под различными углами, соответственно, возникает задача объединения полученных двух облаков точек в единое облако с новой системой координат. Для решения данной задачи использовался существующий инструментарий Envi LIDAR, демоверсия которого бесплатно предоставляется разработ- чиками по запросу и позволяет пользователю также извлекать высотную информацию из облака точек данных лазерного сканирования.

При предварительной обработке полученного облака точек в единой системе координат будем учитывать следующие характеристики: высота каждой точки в облаке, интенсивность (плотность точек) и геометрическая информация фрагмента облака. Отметим, при нескольких проходах под различными углами исходные облака точек могут содержать как точки земли, так и самого дерева, при плотном же лесном покрове лазер «не достает» до земли и все точки относятся к кроне и при наличии антропогенных объектов часть точек также не относится к лиственной массе (рис. 4).

Рассмотрим классификацию исходного облака точек. Поставим задачу классификации исходного облака точек с LIDAR на три категории: деревья и кустарники (лесная масса), поверхность земли и иные объекты (антропологические объекты). Существующие алгоритмы классификации в большинстве своем основаны на использование таких признаков, как высота точек, геометрические характеристики и информация с текстурных карт [3–6].

Выделим один пространственный признак E ( x ), по которому будем относить точки к той или иной категории. Наложим двухмерную сетку G (20×20 м) на исходное облако точек (рис. 5), в каждой клетке c располагается некоторое множество пространственных точек P ( с ), которое в свою очередь разобьём на множество горизонтальных слоев L ( с ). В таком случае фрагмент поверхности земли l ground из всего множества L ( с ) для всех с должен иметь наименьшую высоту в данной клетке с двухмерной сетки G , так как предполагаем, что точки ландшафта земли – это точки с наименьшей высотой. Тогда все остальные фрагменты l tree отнесем к лиственной массе. Однако не всегда фрагменты с наименьшей высотой относятся к точкам поверхности земли, возможно лазер «не пробил» плотную лиственную массу и не «дошел» до нее. Введем величину E_d , где каждому фрагменту L ( с ) сопоставим:

)a, xl = lground , xl ^ xzero , в, xl = ltree, xl = xzero , (1)

0, где xl – обозначение фрагмента l; xzero – фрагмент с наименьшей высотой среди всего множества L фрагментов слоя L(c) для каждой клетки с.

Далее, для того чтобы классифицировать объекты антропологической природы, введем величину E_g :

e ( l )

Y X m^ax(1 - — ,0), x l = l budng ,

E g (x l ) = ” Y ^{X min(} e — l ) ,1X x l = l ground ,

0, xl    ltree, где σ – параметр, подобранный эмпирически, равен 6 м [7]; e(l) – высота между соседними слоями клетки с.

Рис. 4. Процесс сканирования ландшафтных сцен

Рис. 5. Разбиение исходного облака точек на множество слоев L

Затем необходимо учесть соседство пары клеток с 1 и с 2 во всей сетке G , подсчитав величину E s ( x l 1 , x l 2 ), на основе этих пар элементов всего множества слоев L строим случайное марковское поле:

E(x)=E(Ed(xi)+Eg(xi))+^ E Es(xi1,xi2), (3) l e L (li, l 2)e N где N – множество всех пар (xl1, xl2) и xl1≠xl2.

Задача минимизация решалась методом разреза графов, итерационное расширение областей, относящихся к различным категориям, происходило по критерию расстояния между различными фрагментами, небольшие области не учитывались и отбрасывались. Предполагалось, что это ошибочные точки, появившиеся в исходном облаке данных после работы алгоритма совмещения нескольких облаков точек в единую систему координат. Итогом работы является три подмножества облаков точек земли, растительности и антропогенных объектов.

Далее подмножество точек растительной массы необходимо разбить на отдельные объекты – деревья. Для этого из всего подмножества слоев точек растительности выбирается слой с наибольшим количеством точек. Этот слой необходимо сегментировать на отдельные области и найти центр масс данных областей, координата Z которого является координатой корня дерева, координаты X и Y – координаты точек земли для данной клетки с сетки G . Для отдельно стоящих деревьев данная задача решается однозначно и не вызывает сложностей, необходимо лишь установить максимальный порог, по которому и будет определяться привязка точки к определенному сегменту точек (рис. 6).

Однако при перекрытии крон деревьев разбиение множества точек выбранного слоя L – нетривиальная задача (рис. 7).

Исходное облако точек разбивается на кластеры по методу ближайшего соседа с использованием евклидовой метрики. Для того чтобы определить новую точку к кластеру, вычислется статистическая величина

R (формула (4)) – сравнивается усредненное расстояние между точками D с величиной ожидаемого расстояния D ran :

R = —, D ran

где D – евклидово расстояние между соседними точками, деленное на общее количество точек N.

По статистике величина R принимает значения близкие к 2,17. Величина D_ran вычисляется по формуле (5):

D ran

где N / A – плотность точек некоторой окрестности A . На рис. 8 представлено облако точек для одного объекта.

После того как получены отдельные облака точек для каждого объекта, происходит его визуализация в трехмерном пространстве. Визуализация скрипта выполнена средствами графического редактора Blender – открытое программное обеспечение. Основная геометрия дерева: процесс ветвления осуществлялся по алгоритму Space Colonization [8–10], стохастические L -системы использовались на конечных итерациях (дорисовка мелких ветвей) перед наложением текстур на объект [11–14]. На рис. 9 представлено окно редактирования моделирования объекта в редакторе Blender. Все представленные ниже результаты выполнены с помощью динамического языка программирования Python (рис. 8–10).

Далее на полученную трехмерную модель накладываются текстуры коры и листьев. Модель ландшафтной сцены изображена на рис. 10.

Заключение. Построенные в соответствии с изложенным методом трехмерные ландшафтные сцены являются реалистичными и не требуют больших вычислительных затрат.

Рис. 6. Слой с максимальным количеством точек для отдельно стоящего дерева

Рис. 7. Слой с максимальным количеством точек для отдельно соседствующих деревьев

Рис. 8. Исходное облако точек на основе данных лазерного сканирования: а , б , в – данные, полученные с наземного лазерного сканера под соответствующими углами (проекции) Р1, Р2, Р3; г – полученное облако точек в единой системе координат

Рис. 9. Моделирование дерева в Blender с использованием Python API

а                                                        б

Рис. 10. Моделирование ландшафтных сцен: а – трехмерное облако точек; б – полученная модель ландшафта

Таким образом, мы рассмотрели виды дистанционного зондирования Земли, в качестве исходных данных использовались данные лидарной съемки, приведен алгоритм классификации исходного облака точек на три категории: лиственная масса, точки поверхности ландшафта и антропогенные объекты. Далее полученное облако точек, в свою очередь, разделялось на подмножества точек отдельного дерева и эти данные использовались для детального моделирования основной геометрии дерева с использованием комбинированного алгоритма Space Colonization и L -систем.