зонам снимка четыре новых изображения, ранжированных по убыванию дисперсии яркости (спектрального контраста). При этом в первом изображении (первой главной компоненте) такой контраст максимально подчеркнут, второе отображает контуры, на которых происходит смена контраста, а изображения, соответствующие остальным компонентам, содержат, в основном, информацию о различных шумах и систематических погрешностях съемочной системы. Это позволяет уменьшить число анализируемых снимков до трех и одновременно увеличить различия между объектами в системе новых признаков. Часто изображения первых трех главных компонент применяют для получения синтезированного изображения. Известно, что такое изображение содержит больше информации, чем любая комбинация трех исходных спектральных зон.

90°

Зона В1

Рис. 8.13. Преобразование спектрального пространства методом главных компонент: a — эллипс рассеяния для двух зон АиВ\б— положение осей, соответствующее двум главным компонентам ГК1 и ГК2

Взависимости от исходных значений яркости и их дисперсии

вразных зонах снимка диапазоны значений главных компонент могут быть меньше максимально возможного радиометрического диапазона 0-255, поэтому их «растяжение» позволяет еще более подчеркнуть вариации новых данных.

8.3.3. Производные дешифровочные признаки

Наблюдаемая взаимная корреляция спектральных яркостей разных зон приводит к использованию производных признаков:

они являются теми или иными функциями спектральных яркостей и строятся так, чтобы отразить в них важнейшие характеристики или параметры состояния объекта и сделать по возможности инвариантными к остальным параметрам и условиям съемки.

Методы дешифрирования, основанные на построении и анализе производных признаков, достаточно просты в реализации. Их можно отнести к интерактивной контролируемой пороговой классификации (см. параграф 8.3.4). В них разделение множества объектов на классы осуществляется на основе признаков, получаемых путем различных комбинаций исходных спектральных яркостей, а пороговые значения новых признаков — границы классов — вводятся пользователем на основе априорных знаний объектов дешифрирования. Преобразования выполняют для каждого пиксела снимка, после чего имеют дело либо с одним цветным изображением нового признака, либо с несколькими, число которых меньше числа зон. Такие методы направлены на подчеркивание спектральных различий объектов, изобразившихся на снимке, что в свою очередь способствует повышению достоверности их дешифрирования, как визуального, так и последующего автоматизированного.

Наиболее часто используемые методы преобразования — расчет разных индексов.

Расчет индексов применяют для создания новых изображений, используя так называемую алгебру изображений — математические операции, комбинирующие значения пикселов зональных снимков (аналогично алгебре карт, см. параграф 4.4.4). Они могут быть простыми, такими как разности двух зон, или более сложными, использующими построение функций от значений в нескольких зонах.

Такие функции выводятся на основе анализа спектров поглощения/отражения представляющих интерес объектов (кривых спектрального образа), отражающих зачастую их свойства на молекулярном уровне и несущие, в частности, информацию по химическому составу объекта. Поэтому индексы широко применяют при оценке и картографировании состояния растительного покрова, показателей биопродуктивности сельскохозяйственных культур и кормовых угодий, содержания хлорофилла в морской воде, в минералогических исследованиях. Во многих случаях правильно выбранные индексы

могут выявить и подчеркнуть различия, которые четко не наблюдаются на исходных зональных снимках.

Расчет индексов направлен на создание производных признаков — характеристик спектрального контраста между зонами, которые отражают форму кривых спектрального образа. Они достаточно инвариантны к условиям наблюдения по сравнению с абсолютными значениями спектральных яркостей и позволяют для анализа классов объектов использовать некалиброванные значения яркости на исходном снимке (например, без учета влияния атмосферных условий съемки). Наиболее широко производные признаки используют при анализе растительного покрова. К ним относят, прежде всего, признаки, учитывающие характерные различия спектральных яркостей растительных объектов в красной и ближней инфракрасной зонах — простое зональное отношение и вегетационный индекс.

Простое зональное отношение Внк/Вк (Вик и й - яркости в красной и ближней инфракрасной зонах) наиболее чувствительно к присутствию растительности. Оно отражает различия яркости растительных и нерастительных объектов, представляет индикатор сомкнутости растительного покрова, но является функцией времени.

Вегетационный индекс. Для его вычисления строят разные эмпирические соотношения указанных зон, но чаще используют нормализованный вегетационный индекс

Для водных объектов он принимает отрицательные значения; для почв, грунтов, сухой растительности близок к нулю; максимальные значения — для вегетирующей растительности, а промежуточные — для разных состояний растительного покрова. NDVI подчеркивает контраст обнаженных пород и почв с зеленой растительностью, способствует выделению типов и состояния растительных объектов. Его значения возрастают с развитием зеленой биомассы и уменьшаются с ее усыханием. В то же время одни и те же значения вегетационного индекса могут соответствовать экологически различным категориям естественной и культурной растительности.

При выполнении практических исследований по снимкам создают модифицированные NDVI, например, известный как трансформированный NDVI (TNDVI) реализуется соотношением

в котором добавление слагаемого 0,5 автоматически предотвращает получение отрицательных значений под корнем для большинства получаемых изображений.

Специфические отношения зональных значений снимков, полученных системой Ландсат ТМ, используют в геологических исследованиях. Например, отношение Bf./B1 позволяет идентифицировать минералы глины, В^/В^ — соединения закиси железа, В^/Вх — окись железа. Синтезирование изображений, полученных с помощью этих отношений, позволяет идентифицировать смеси минералов, а

Tasseled Cap [Jensen, 1996]) получило такое название по виду его графика, напоминающего спортивную шапочку. Оно использует для идентификации растительности более сложную комбинацию не менее чем из шести зон. Преобразование реализует ортогональное преобразование — поворот многомерного эллипсоида, представляющего распределение яркостей в спектральном пространстве, для оптимизации визуального анализа растительности. Как ясно из вышеизложенного, главные оси этого эллипсоида не обязательно соответствуют осям спектрального пространства (зонам), а непосредственно соотносятся со спектрами поглощения, со спектральной структурой данных. В результате исследований выявлено, что наибольшие оси многомерного эллипсоида соответствуют пикам поглощения. Кроме того, для целей визуализации удобно повернуть и-мерное пространство так, чтобы одна или две оси эллипсоида соответствовали осям X и У экрана монитора.

Многочисленные экспериментальные исследования способствовали определению трех осей (трех производных признаков), отражающих спектральную структуру данных и несущих информацию

осостоянии растительного покрова:

•индекс яркости почв (яркость) — взвешенная сумма значений пикселов всех зон снимка, учитывающая максимальное варьирование отражательной способности почвы;

•индекс зеленой растительности (зеленость) — контраст между ближней инфракрасной и видимой областями,