Данные ДЗЗ. Дистанционные методы исследования окружающей среды – относятся к сложным, разносторонним методам из области науки и техники. Современные методы дистанционные зондирования объектов в сфере космоса, открывают новый этап в программно-информационном обеспечении научных и прикладных исследований о Земле.
В настоящее время большую часть данных ДЗЗ получают от искусственных спутников Земли (ИСЗ). Данные ДЗЗ – это телеметрические данные, фото- и видеоинформация. Аэрокосмические снимки представляются в цифровом формате в виде растровых изображений. По это причине, проблематика обработки данных ДЗЗ достаточно сильно связана с цифровой обработкой изображений (ЦОИ). В основном, методы ЦОИ данной области направлены на улучшение изображений, коррекцию, восстановление, подготовку данных для визуального и компьютерного анализа.
Датчики космических аппаратов, которые предназначены для съемки Земли из космоса, зачастую имеют расширенный динамический диапазон, т.е. имеют бОльшее количество уровней дискретизации яркости по сравнению со стандартными устройствами вывода информации (мониторами LDR). При анализе изображений важно корректно и однозначно воспринимать информацию, отображаемую на этих устройствах вывода, поэтому, в процессе обработки снимков, для последующего анализа изображений необходимо использовать различные методики сжатия динамического диапазона яркости цифровых изображений. В процессе выбора или разработки алгоритмов, методов, методик обработки изображений применительно к сфере ДЗЗ необходимо учитывать дальнейшую область применения данных ДЗЗ, а также вероятность появления тех или иных искажений, возможность их ликвидации или уменьшения.
Обработка данных ДЗЗ является подготовительным этапом перед извлечением из изображения тематической информации[5]. Обработка изображений ДЗЗ — это, как уже было сказано, обработка цифровых данных. В цифровом формате проще производить обработку и хранение информации. Двумерное изображение в одном спектральном диапазоне можно представить в виде решетки чисел I(i, j), каждое из которых представляет интенсивность излучения, принятого датчиком от элемента поверхности Земли, которому соответствует один пиксель изображения (Рисунок 1).
Рисунок 1. Структура цифрового изображения в виде двумерной решетки
Изображение состоит из 
пикселей, каждый пиксель имеет координаты (i, j) — номер строки и номер колонки. Число I(i, j) — целое и называется уровнем серого (или спектральной яркостью) пикселя (i, j).
В целях улучшения параметров изображения (яркости, контрастности, цветового баланса, уровня помех) ДЗЗ применяется радиометрическая коррекция снимков. Радиометрическая коррекция направленна на улучшение восприятия изображений, облегчение дальнейшего анализа. Данный вид обработки имеет дело с изменением значений яркостей пикселей, которое может быть вызвано неисправностью детекторов (фоточувствительных элементов), неоднородностью ландшафта, атмосферными эффектами [2]. Измерительная аппаратура спутников ДЗЗ перед запуском тщательно калибруется и проверяется, информация от спутника проходит верификацию. Данные ДЗЗ могут быть надежно использованы для решения различных практических задач. Однако, за время работы спутников на орбите, измерительная аппаратура деградирует, и следовательно, показания датчиков сканеров необходимо подвергать радиометрической коррекции.
Радиометрическая коррекция в оптических и инфракрасных (ИК) системах производится в два этапа [5]. На первом этапе устанавливается взаимосвязь между значением пикселя и соответствующим физическим параметром излучения, попадающего на датчик. На втором этапе радиометрической коррекции учитываются эффекты распространения таким образом, чтобы величина принимаемого излучения трактовалась как излучение исследуемой поверхности. Например, необходимо учитывать процессы рассеяния в атмосфере (атмосферные помехи), корректировать геометрию освещенности. Высокое радиометрическое разрешение важно при съёмке объектов, находящихся в тени, а также когда на снимке одновременно находятся большие водные поверхности и суша (Рисунок 2).
Рисунок 2. Разрешающая способность 8 бит/пиксел (слева) и разрешающая способность — 11 бит/пиксел (справа)
Однако не следует забывать о необходимости последующей обработки данного изображения для оптимального вывода данных на стандартные устройства вывода информации, т.е. о сжатии динамического диапазона с целью вывода данных на стандартные устройства вывода информации.
Сжатие динамического диапазона. Стандартной моделью описания цвета является модель RGB: когда любой цвет получается при смешении трех базовых цветов (красного, зеленого и синего), а интенсивность каждого компонентного цвета задается в виде градаций от 0 до 255. При этом для описания каждого компонентного цвета в стандартных устройствах вывода цифровых изображений используется 8 бит, что позволяет описать 256 яркостных значений одного базового цвета. Отношение максимальной интенсивности света (яркости цвета) к минимальной интенсивности называется динамическим диапазоном. Так, динамический диапазон модели RGB составляет 256:1. Эту модель описания цвета и интенсивности принято называть Low Dynamic Range (LDR) – низкий динамический диапазон.
High Dynamic Range Image – HDR-изображения – изображения с расширенным динамическим диапазоном яркостей, противопоставляются Low Dynamic Range . Идея режима HDR заключается в том, чтобы для описания цветовых компонентов и интенсивности использовать числа с большей разрядностью (например, 10, 16, 32 бита). Необходимость применения алгоритмов сжатия динамического диапазона была упомянута выше и заключается в распространённости датчиков для аппаратов ДЗЗ с большим количество уровней дискретизации яркости по сравнению со стандартными устройствами вывода информации. Поэтому необходимо производить операцию согласования динамических диапазонов, а именно процедуру сжатия или тонового отображения (tone mapping) [3]. Иначе говоря, для визуализации HDR-изображения необходимо сжатие его динамического диапазона с сохранением содержания. Этот процесс и называется тональной компрессией [4].
Методы и алгоритмы сжатия динамического диапазона. Методы и алгоритмы по решению проблем сжатия динамического диапазона изображение можно разделить на глобальные (spatially uniform — пространственно однородные; или single-scale — одномерные) методы и локальные методы (spatially varying — пространственно изменяющиеся; multi-scale — мультимасштабные) [6]
Глобальные методы основаны на применении одинаковой трансформации для всех частей изображения. Операторы локальных методов (локальные операторы) модифицируют значение яркости уже исходя из некоторой окрестности конкретного пикселя [1].
К глобальным методам относят систему зон для отображения тонов HDR изображения [13], основанную на фотографической практике с автоматическим методом осветления и затемнения отдельных областей на изображении. Методы для сжатия значений яркости путем адаптивного изменения оснований логарифма [7]. Методы эквализации гистограмм показывают хорошие результаты при выравнивании контрастности изображений и могут применяться при сжатии динамического диапазона изображений. Гистограмма — это график, показывающий количество пикселей h(I) в изображении, имеющих значение спектральной яркости I. Одним из преимуществ процедуры эквализации гистограммы по сравнению с иными методами является то факт, что эквализация гистограммы базируется лишь на информации, которая может быть извлечена непосредственно из обрабатываемого изображения без указания каких-либо дополнительных параметров [2].
К локальным методам относят оператор отображения тонов на основе метода вычисления градиента [9], преобразования цветового пространства [8, 11]. Так же существуют интерактивные методы локальной корректировки тонов и других визуальных параметров [12], в которых пользователь использует набор кистей для наложения ограничений на изображение. Вычисляются функции влияния ограничений, происходит модификация тоновых значений в пространстве изображения.
Также есть несколько методов тонового отображения HDR изображений, основанных на нейронных сетях [10, 14].
Выбор и адаптация метода сжатия изображения в задачах обработки данных ДЗЗ. Так как тематическая обработка данных ДЗЗ и значительная часть предварительной обработки зависит от конечного потребителя (заказчика изображений ДЗЗ), то необходимо выбрать алгоритмы, которые будут выполнять универсальную начальную обработку, необходимую для потребителя.
Сжатие динамического диапазона изображений ДЗЗ имеет место при их выводе на стандартные устройства ввода-вывода, т.к. изображения, которые не подвергались данному виду обработки, зачастую имеют слабую контрастность. Слабый контраст – распространенный дефект изображений, обусловленный ограниченностью диапазона воспроизводимых яркостей. Для задач предварительной обработки изображений ДЗЗ оптимально остановиться на методе эквализации гистограмм для сжатия динамического диапазона изображений, т.к. данный метод не требует каких-либо дополнительных параметров, опорных изображений, интерактивных действий. Под дополнительными параметрами следует понимать параметры методов обработки, которые могут быть получены непосредственно из содержимого изображения и цели обработки. Так, например, если на изображении изображена городская застройка, то зачастую следует повысить резкость границ такого изображения, что влечет за собой настройку тех или иных коэффициентов определенных алгоритмов компрессии – данный подход применятся для достижения наилучшего результата компрессии. Операторы тональной компрессии, использующие Гауссовское распределение, могут произвести излишнюю расфокусировку данного типа изображений. Изменение гистограммы, в частности её эквализация, приводит к выравниванию интегральных площадей равномерно распределенных диапазонов яркостей с возможностью отсутствия использования дополнительной информации [8], т.е. данный процесс может быть полностью независим от тематики снимков и универсален практически для любого потребителя.
Изменение гистограммы как метод сжатия динамического диапазона данных ДЗЗ. Обычно изменение формы гистограммы представляется графиком передаточной функции, который показывает, как значение выходного пикселя зависит от значения входного пикселя.
Данный подход проиллюстрирован ниже (Рисунок 3)
Рисунок 3. а – гистограмма изображения до модификации контрастности; б – передаточная функция: в – гистограмма изображения после применения передаточной функции (б) к исходному изображению.
В качестве примера этого метода служит широко применяемая модификация контрастности, которая называется выравниванием (линеаризацией или эквализацией) гистограммы [5]:
(1)
где N – количество столбцов гистограммы;
M – максимум ранга выходных значений (радиометрическое разрешение);
A = T/N – количество пикселей на один столбец;
T – общее количество пикселей;
– количество элементов со значением i на исходной гистограмме;
round[…] – операция округления до ближайшего целого;
– номер нового столбца гистограммы для пикселей со значением i.
Целью такого преобразования является получение пологой гистограммы, в которой значения пикселей появляются с равной частотой.
В каждом конкретном случае выбирают ту процедуру преобразования гистограмм, которая приводит к наилучшему, с точки зрения пользователя, результату. Однако, как уже говорилось ранее, применение эквализации гистограммы приводит к выравниванию интегральных площадей равномерно распределенных диапазонов яркостей без дополнительной информации.
Адаптация выбранного метода сжатия. Эквализация гистограммы позволяет «растянуть» гистограмму во всем диапазоне значений, которые могут принимать пиксели в соответствии с радиометрическим разрешением аппаратуры. Следует учитывать, что при растяжении гистограмм методом их выравнивания (эквализации), некоторые столбцы гистограмм остаются без значений, т.е. нулевой высоты, что видно на Рисунке 4.
Рисунок 4. Пример эквализации гистограммы
Для адаптации алгоритма сжатия динамического диапазона изображения с помощью метода эквализации гистограммы необходимо определить и выделить значащие этапы обработки. На первом этапе следует определить гистограмму HDR-изображения. Далее возможны два действия: выравнивание гистограммы HDR-изображения – сжатие гистограммы HDR-изображения в гистограмму LDR-изображения. Второй вариант равноценен прореживанию гистограммы HDR-изображения с коэффициентом прореживания:
(2)
где 
– радиометрическое разрешение исходного изображения (например, 10 бит);
– разрядность сжатого изображения (8 бит).
Тогда элемент i (столбец) сжатой гистограммы:
(3)
где 
– элемент i гистограммы HDR-изображения.
Однако данная вариация алгоритма может привести к потере информации, при которой дальнейшая эквализация полученной гистограммы может показать неудовлетворительные результаты с появлением большого количества элементов гистограммы нулевой высоты, что влечет за собой получение резких переходов градиентов изображений, высококонтрастных областей изображения.
Напротив, выравнивание гистограммы HDR-изображения и дальнейшее сжатие гистограммы с коэффициентом прореживания (2), может привести к получению сбалансированной гистограммы, т.е. с меньшим количеством столбцов нулевой высоты по сравнению. Адаптированный алгоритм сжатия изображения для преобразования выходных данных (например, разрядность 10 бит) в данные для отображения (разрядность 8 бит) можно представить в виде блок-схемы, изображенной на Рисунке 5.
Рисунок 5. Адаптированный алгоритм сжатия изображения для преобразования выходных данных в данные для отображения (разрядность 8 бит)
Эквализация гистограммы происходит в соответствии с формулой (1). Сжатие гистограммы – (2, 3).
Заключение. Таким образом, был проведен анализ алгоритмов сжатия динамического диапазона данных ДЗЗ, выбран возможной метод сжатия динамического диапазона и проведена работа по адаптации алгоритма сжатия динамического диапазона для изображений, полученных методом дистанционного зондирования Земли.
Использованные источники:
1. Зипа К.С., Игнатенко А.В. Алгоритм тональной компрессии на основе восприятия человека / Зипа К.С., Игнатенко А.В. // Труды 25-й Международной конференции по компьютерной графике и зрению ГрафиКон. — 2015. — С. 194-199.
2. Коберниченко В.Г., Иванов О.Ю., Зраенко С.М., Сосновский А.В., Тренихин В.А., Коберниченко В.Г. ОБРАБОТКА ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ: ПРАКТИЧЕСКИЕ АСПЕКТЫ: учебное пособие./ Коберниченко В.Г., Иванов О.Ю., Зраенко С.М., Сосновский А.В., Тренихин В.А., Коберниченко В.Г. — Екатеринбург : Издательство Уральского университета, 2013 — 168 с.
3. Колесникова Т. А. Процедура сжатия изображений с широким динамическим диапазоном / Т.А. Колесникова, І.Г. Головко // Системы обработки информации. – 2015. – № 1(126). – С. 80-83.
4. Матросов М.А., Игнатенко А.В. Субъективная оценка алгоритмов тональной компрессии HDR-изображений для образцов ювелирной промышленности с помощью системы GMLePublish / Матросов М.А., Игнатенко А.В. // Научно-практический семинар «Новые информационные технологии в автоматизированных системах-16». — 2013. — С. 43-50.
5. Токарева О.С. Обработка и интерпритация данных дистанционного зондирования Земли: учебное пособие / О.С. Токарева; Томский политехнический университет. — Томск: Изд-во Томкого политехнического университета, 2010. — 148 с.
6. Devlin K. A Review of Tone Reproduction Techniques. Computer Science, University of Bristol, Tech. Rep. CSTR-02-005, November 2002.
7. Drago F. et al. Adaptive logarithmic mapping for displaying high contrast scenes // CGF, 2003. Vol. 22. No. 3. P. 419-426.
8. Fairchild M.D., Johnson G.M. iCAM frame-work for image appearance, differences, and quality, JEI, 2004, 13, (1). P. 126–138.
9. Fattal R. et al. Gradient domain high dynamic range compression // ACM Trans. on Graphics, 2002. Vol. 21. No. 3. P. 249-256.
10. Jiang Duan, Guoping Qiu, Graham Finlayson. Learning to Display High Dynamic Range Images. Journal Pattern Recognition archive, 2007. Vol. 40 I. 10. P. 2641-2655.
11. Kuang J. et al. iCAM06: A refined image appearance model for HDR image rendering, JVCIR, 2007. 18, (5). P. 406–414.
12. Lischinski D., Farbman Z., Uyttendaele M., Szeliski R. Interactive local adjustment of tonal values. In SIGGRAPH, 2006. P. 646–653.
13. Reinhard E. et al. Photographic tone reproduction for digital images // ACM Trans. on Graphics, 2002. Vol. 21. No. 3.
14. Xianxu Hou, Jiang Duan, and Guoping Qiu. Deep Feature Consistent Deep Image Transformations: Downscaling, Decolorization and HDR Tone Mapping. arXiv preprintarXiv:1707.09482, 2017. P. 86.
