Вопросы радиоэлектроники. 2019; 1: 82-88
ИДЕНТИФИКАЦИЯ ВЕРТИКАЛЬНЫХ РЕЗЕРВУАРОВ НА МНОГОКАНАЛЬНЫХ СПУТНИКОВЫХ СНИМКАХ ТЕРРИТОРИИ АРКТИКИ
https://doi.org/10.21778/2218-5453-2019-7-82-88Аннотация
Для обеспечения экологической и техносферной безопасности на региональном уровне требуется максимально полная информация о состоянии объектов различного назначения, которая собирается с помощью контактных и дистанционных методов. Идентификация резервуаров для нефти и нефтепродуктов традиционно производится по имеющим высокую стоимость снимкам сверхвысокого разрешения. Настоящая работа посвящена исследованию возможности использования для решения этой задачи данных высокого и среднего разрешения со спутников Landsat-8 и Sentinel-2. Проведен анализ особенностей работы блоков применяемых алгоритмов идентификации, из них отобраны работоспособные варианты, обеспечивающие удовлетворительный результат при обработке снимков с указанных аппаратов. Предложена методика идентификации резервуаров, объединяющая в себе этапы классификации изображений, детектирования в их границах каплевидных образований и фильтрации. Испытания предложенных решений на материале данных на территории Чаунского района Чукотского автономного округа показали возможность их использования для детектирования объектов рассмотренного класса.
Список литературы
1. Герус А.В., Савченко Е.В., Саворский В.П. Использование метода ортогональной проекции для идентификации малых объектов в мультиспектральном анализе // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 27–35.
2. Достовалов М.Ю., Ермаков Р.В., Теплов А.А. Обнаружение объектов авиатехники методом выделения изменений по изображениям радиолокатора с синтезированной апертурой Sentinel 1 // Современные проблемы дистанцион ного зондирования Земли из космоса. 2018. Т. 15. № 4. С. 49–57.
3. Спутниковая трасология: опыт использования в интересах маммалогии (териологии) для обеспечения безопасно сти ледо-ассоциированных морских млекопитающих / В.В. Мелентьев, В.И. Черноок, К.В. Мелентьев, А.А. Старцев, Т.А. Захарова // Известия ТИНРО. 2014. № 179. С. 138–157.
4. Sohn G., Dowman I.J. Extraction of buildings from high resolution satellite data // Automated Extraction of Man-Made Objects from Aerial and Space Images (III). Balkema Publishers, 2001. P. 345–355.
5. Vakalopoulou M., Karantzalos K., Komodakis N., Paragios N. Building detection in very high resolution multispectral data with deep learning features // Geoscience and Remote Sensing Symposium (IGARSS), 2015 IEEE International. P. 1873–1876.
6. Надеран С.В. Информационная технология распознавания зданий на спутниковых изображениях с помощью нечет ких нейронных сетей // Information Content and Processing. 2014. Vol. 1. No. 2. P. 188–193.
7. Kushwaha N.K., Chaudhuri D., Singh M.P. Automatic bright circular type oil tank detection using remote sensing images // Defence Science Journal. 2013. Vol. 63. No. 3. P. 298–304.
8. Ok A.O., Başeski E. Circular oil tank detection from panchromatic satellite images: a new automated approach // IEEE Geoscience and Remote Sensing Letters. 2015. Vol. 12. No. 6. P. 1347–1351.
9. USGS. Landsat Missions [Электронный ресурс]. URL: https://www.usgs.gov/land-resources/nli/landsat (дата обращения: 27.04.2019).
10. ESA. Sentinel 2 [Электронный ресурс]. URL: https://sentinel.esa.int/web/sentinel/missions/sentinel 2 (дата обращения: 27.04.2019).
11. Ту Дж. Т., Гонсалес Р.С. Принципы распознавания образов. М.: Мир, 1978. 412 с.
12. Lindeberg T., Eklundh J.-O. Scale detection and region extraction from a scale-space primal sketch // Proceedings, Third International Conference On Computer Vision, 1990. IEEE, 1990. P. 416–426.
13. Torre V., Poggio T.A. On edge detection // IEEE Transaction on Pattern Analysis and Machine Intelligence. 1986. No. 8 (2). P. 147–163.
14. Otsu N. A threshold selection method from gray-level histograms // IEEE Transactions on systems, man, and cybernetics. 1979. Vol. 9. No. 1. P. 62–66.
15. Duda R.O., Hart P.E. Use of the Hough transformation to detect lines and curves in pictures // Communications of the ACM. 1972. Vol. 15. No. 1. P. 11–15.
Issues of radio electronics. 2019; 1: 82-88
DETECTION OF VERTICAL TANKS IN MULTISPECTRAL SATELLITE DATA ON ARCTIC TERRITORIES
https://doi.org/10.21778/2218-5453-2019-7-82-88Abstract
The most complete information on the state of different man-made objects, collected with on-site and remote sensing methods, is required to ensure environmental and technospheric safety at the regional scale. The procedures of oil tank detection traditionally utilize high-cost, ultra-high-resolution images. The research is devoted to studying the possibility of using high and mediumresolution data from Landsat‑8 and Sentinel‑2 sensors to handle the task. Operating of the parts of the detection algorithms used in practice was analyzed, and some of them were selected as workable options which lead to satisfactory results being applied to data from mentioned instruments. A new technique of tank identifying which consists of classification, blob detection and filtering steps was developed. Testing of proposed solutions on data on the territory of Chaunsky District of Chukotka Autonomous Okrug showed the possibility of their use for detecting objects of the considered category.
References
1. Gerus A.V., Savchenko E.V., Savorskii V.P. Ispol'zovanie metoda ortogonal'noi proektsii dlya identifikatsii malykh ob\"ektov v mul'tispektral'nom analize // Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa. 2018. T. 15. № 4. S. 27–35.
2. Dostovalov M.Yu., Ermakov R.V., Teplov A.A. Obnaruzhenie ob\"ektov aviatekhniki metodom vydeleniya izmenenii po izobrazheniyam radiolokatora s sintezirovannoi aperturoi Sentinel 1 // Sovremennye problemy distantsion nogo zondirovaniya Zemli iz kosmosa. 2018. T. 15. № 4. S. 49–57.
3. Sputnikovaya trasologiya: opyt ispol'zovaniya v interesakh mammalogii (teriologii) dlya obespecheniya bezopasno sti ledo-assotsiirovannykh morskikh mlekopitayushchikh / V.V. Melent'ev, V.I. Chernook, K.V. Melent'ev, A.A. Startsev, T.A. Zakharova // Izvestiya TINRO. 2014. № 179. S. 138–157.
4. Sohn G., Dowman I.J. Extraction of buildings from high resolution satellite data // Automated Extraction of Man-Made Objects from Aerial and Space Images (III). Balkema Publishers, 2001. P. 345–355.
5. Vakalopoulou M., Karantzalos K., Komodakis N., Paragios N. Building detection in very high resolution multispectral data with deep learning features // Geoscience and Remote Sensing Symposium (IGARSS), 2015 IEEE International. P. 1873–1876.
6. Naderan S.V. Informatsionnaya tekhnologiya raspoznavaniya zdanii na sputnikovykh izobrazheniyakh s pomoshch'yu nechet kikh neironnykh setei // Information Content and Processing. 2014. Vol. 1. No. 2. P. 188–193.
7. Kushwaha N.K., Chaudhuri D., Singh M.P. Automatic bright circular type oil tank detection using remote sensing images // Defence Science Journal. 2013. Vol. 63. No. 3. P. 298–304.
8. Ok A.O., Başeski E. Circular oil tank detection from panchromatic satellite images: a new automated approach // IEEE Geoscience and Remote Sensing Letters. 2015. Vol. 12. No. 6. P. 1347–1351.
9. USGS. Landsat Missions [Elektronnyi resurs]. URL: https://www.usgs.gov/land-resources/nli/landsat (data obrashcheniya: 27.04.2019).
10. ESA. Sentinel 2 [Elektronnyi resurs]. URL: https://sentinel.esa.int/web/sentinel/missions/sentinel 2 (data obrashcheniya: 27.04.2019).
11. Tu Dzh. T., Gonsales R.S. Printsipy raspoznavaniya obrazov. M.: Mir, 1978. 412 s.
12. Lindeberg T., Eklundh J.-O. Scale detection and region extraction from a scale-space primal sketch // Proceedings, Third International Conference On Computer Vision, 1990. IEEE, 1990. P. 416–426.
13. Torre V., Poggio T.A. On edge detection // IEEE Transaction on Pattern Analysis and Machine Intelligence. 1986. No. 8 (2). P. 147–163.
14. Otsu N. A threshold selection method from gray-level histograms // IEEE Transactions on systems, man, and cybernetics. 1979. Vol. 9. No. 1. P. 62–66.
15. Duda R.O., Hart P.E. Use of the Hough transformation to detect lines and curves in pictures // Communications of the ACM. 1972. Vol. 15. No. 1. P. 11–15.
