
Ð.М. КовалевÑкаÑ, К.Ð. Боенко, Ð.Ð. Добрецов, Ð.Ю. Королюк
Современные базы данных и каталоги коÑмичеÑких изображений наÑчитывают терабайты информации. Ðа орбиту выводÑÑ‚ÑÑ Ð½Ð¾Ð²Ñ‹Ðµ и новые Ñпутники Ñ Ð²Ñ‹Ñоким и ÑверхвыÑоким разрешением. В Ñтих уÑловиÑÑ… проÑтранÑтвенный анализ каждого Ñнимка занимает огромные временные реÑурÑÑ‹, и оÑобенно актуальным ÑтановитÑÑ Ñ€ÐµÑˆÐµÐ½Ð¸Ðµ задачи Ñодержательного поиÑка.
Ð’ то же Ñамое Ð²Ñ€ÐµÐ¼Ñ Ð¼Ð¸Ñ€Ð¾Ð²Ð¾Ðµ коÑмичеÑкое ÑообщеÑтво начинает накапливать геоинтеллектуальный потенциал Ñовершенно нового качеÑтва, предоÑтавлÑÑ ÐºÐ¾ÑмичеÑкие данные, ÑвÑзанные:
- Ñ Ð¿Ñ€Ð¸Ñ€Ð¾Ð´Ð½Ñ‹Ð¼Ð¸ и техногенными катаÑтрофами (International Charter,  http://www.disasterscharter.org/home );
- Ñ Ñ‡Ñ€ÐµÐ·Ð²Ñ‹Ñ‡Ð°Ð¹Ð½Ñ‹Ð¼Ð¸ ÑитуациÑми (Crisis Event Service, http://www.digitalglobe.com/index.php/48/Products?product_id=26 ),
- Ñо Ñпециальными ÑобытиÑми каждой недели (ESA. Earth from Space: image of the week, http://www.esa.int/esaEO/SEM9UELY17E_index_0.html ) (риÑ. 1)

Ð’ ÑледÑтвие Ñтого возникает Ð²Ð¾Ð¿Ñ€Ð¾Ñ â€” как научитьÑÑ Ñффективно формализовать, хранить и иÑпользовать такую информацию, уникальную по предÑтавлению и по Ñодержанию?
Важное отличие Ñодержательного поиÑка в базах данных (БДИ) и в каталогах коÑмичеÑких изображений (ККИ) от поиÑка в традиционных базах данных ÑоÑтоит в том, что процеÑÑ Ð²Ð¸Ð·ÑƒÐ°Ð»ÑŒÐ½Ð¾Ð³Ð¾ поиÑка природных объектов и объектов антропогенного проиÑÑ…Ð¾Ð¶Ð´ÐµÐ½Ð¸Ñ Ð½Ðµ может игнорировать законы зрительного воÑприÑтиÑ.  Ðто значит, что при оценке визуального ÑходÑтва/неÑходÑтва объектов должны иÑпользоватьÑÑ Ð¿Ñ€Ð¸Ð½Ñ†Ð¸Ð¿Ñ‹ Ñ„ÑƒÐ½ÐºÑ†Ð¸Ð¾Ð½Ð¸Ñ€Ð¾Ð²Ð°Ð½Ð¸Ñ Ð·Ñ€Ð¸Ñ‚ÐµÐ»ÑŒÐ½Ð¾Ð¹ ÑиÑтемы.
Ðа ранних ÑтадиÑÑ… воÑприÑÑ‚Ð¸Ñ Ð²Ð¸Ð·ÑƒÐ°Ð»ÑŒÐ½Ñ‹Ñ… объектов мозг преобразует нейронные Ñигналы, идущие из Ñетчатки, в проÑтые Ñлементы воÑприÑтиÑ: линии, точки, контраÑтные Ñлементы и Ñ‚. д. СущеÑтвуют неоÑпоримые факты в нейробиологии, которые подтверждают, что мгновенное (первоначальное) выделение образа оÑущеÑтвлÑетÑÑ Ð±Ð»Ð°Ð³Ð¾Ð´Ð°Ñ€Ñ ÐºÐ¾Ð½Ñ‚ÐµÐºÑтным влиÑниÑм в первичной зрительной коре головного мозга таким образом, что Ñамые важные или Ñамые «заметные» меÑта на изображении вызывают более выÑокие нейронные отклики в воÑприÑтии [1].  Мгновенное  воÑприÑтие определÑетÑÑ Ð¸ ÑходÑтвом, и контраÑтом локальных признаков. При Ñтом нейронные импульÑÑ‹  уÑиливаютÑÑ, еÑли окружающие Ñлементы имеют контраÑтную ориентацию (риÑ. 2).

С другой Ñтороны, при визуальном выделении образов Ñ Ð¼Ð½Ð¾Ð¶ÐµÑтвом мельчайших деталей реализуетÑÑ Ñовершенно иной уровень зрительного Ð¼Ñ‹ÑˆÐ»ÐµÐ½Ð¸Ñ â€” образное или гештальт-воÑприÑтие. Так, художник подÑознательно иÑпользовал принцип группировки Ñлементов: буÑÑ‹, ожерелье, драгоценные камни  раÑположены так, что воÑпринимаютÑÑ Ð¾Ð±Ñ‰Ð¸Ðµ признаки портрета (риÑ. 3).

Очевидно, что ÑущеÑтвуют такие зрительные процеÑÑÑ‹, Ð±Ð»Ð°Ð³Ð¾Ð´Ð°Ñ€Ñ ÐºÐ¾Ñ‚Ð¾Ñ€Ñ‹Ð¼ уÑтанавливаютÑÑ Ð¿Ñ€Ð¾ÑтранÑтвенные ÑÐ¾Ð¾Ñ‚Ð½Ð¾ÑˆÐµÐ½Ð¸Ñ Ð¾Ð±ÑŠÐµÐºÑ‚Ð¾Ð² и ÑоздаетÑÑ Ð¾Ð±Ñ‰ÐµÐµ воÑприÑтие визуального образа. При Ñтом некоторый ÑÑкиз Ñлементов образа вноÑит Ñвой вклад в воÑприÑтие так, что выделÑÑŽÑ‚ÑÑ Ð½Ð°Ð¸Ð±Ð¾Ð»ÐµÐµ заметные Ñлементы.
Дальнейшее иÑпользование ÑÑкизов вмеÑто Ñамих объектов позволÑет игнорировать неÑущеÑтвенные детали, тем Ñамым процеÑÑ Ñодержательного поиÑка и Ð²Ñ‹Ð´ÐµÐ»ÐµÐ½Ð¸Ñ Ð½Ð°Ð¹Ð´ÐµÐ½Ð½Ñ‹Ñ… объектов ÑтановитÑÑ Ð³Ð¾Ñ€Ð°Ð·Ð´Ð¾ более Ñффективным.
 Sketch-Модель

РаÑÑÐ¼Ð°Ñ‚Ñ€Ð¸Ð²Ð°Ñ ÑиÑтему зрительного воÑприÑÑ‚Ð¸Ñ Ð½Ð° предварительном Ñтапе обработки и раÑÐ¿Ð¾Ð·Ð½Ð°Ð²Ð°Ð½Ð¸Ñ Ð¸Ð·Ð¾Ð±Ñ€Ð°Ð¶ÐµÐ½Ð¸Ð¹, Марр определил первоначальный уровень воÑприÑÑ‚Ð¸Ñ Ð²Ð¸Ð·ÑƒÐ°Ð»ÑŒÐ½Ð¾Ð¹ информации  как некий ÑÑкиз, предÑтавлÑющий Ñтруктуру и изменение ÑркоÑтей визуального образца  (риÑ. 4).
Ð”Ð»Ñ ÑÐ¾Ð·Ð´Ð°Ð½Ð¸Ñ Ð¼Ð¾Ð´ÐµÐ»Ð¸ ÑÑкиза будем раÑÑматривать визуальные образцы объектов на Ñнимках выÑокого и ÑверхвыÑокого разрешениÑ, как обладающие ÑвойÑтвом проÑтранÑтвенного ÑÐ°Ð¼Ð¾Ð¿Ð¾Ð´Ð¾Ð±Ð¸Ñ (во многих ÑлучаÑÑ… Ñто верно и Ð´Ð»Ñ ÐºÐ¾ÑмичеÑких Ñнимков Ñреднего разрешениÑ) в ÑмыÑле некой повторÑемоÑти парных Ñлементов, поддерживаемых одной и той же комбинацией положений на раÑтре.
ВероÑтноÑтное Ñамоподобие однородного образца означает, что вÑе возможные парные комбинации Ñигналов раÑÑматриваютÑÑ Ñ Ñ€Ð°Ð·Ð»Ð¸Ñ‡Ð½Ñ‹Ð¼Ð¸ вероÑтноÑÑ‚Ñми поÑÐ²Ð»ÐµÐ½Ð¸Ñ Ð½Ð° Ñтом образце.  То еÑть, еÑли Ð½ÐµÐºÐ¾Ñ‚Ð¾Ñ€Ð°Ñ Ð¿Ð°Ñ€Ð° входит в ÑоÑтав пар Ñигналов, предÑтавлÑющих ÑÑкиз визуального образца, то ÑоответÑÑ‚Ð²ÑƒÑŽÑ‰Ð°Ñ ÐµÐ¹ вероÑтноÑть имеет значение, отличающееÑÑ Ð¾Ñ‚ нулевого.
Тогда каждый более или менее визуально-однородный образец может получить неÑколько чиÑленных характериÑтик по заданным направлениÑм и на заданных раÑÑтоÑниÑÑ… в ÑоответÑтвии Ñ Ð½ÐµÐºÐ¾Ñ‚Ð¾Ñ€Ð¾Ð¹ мерой ÑходÑтва Ñ Ð½ÐµÐ·Ð°Ð²Ð¸Ñимым Ñлучайным полем (ÐСП) [2].  Очевидно, что чем больше линейноÑть, регулÑрноÑть, направленноÑть, шероховатоÑть и Ñ‚. д. образца, тем больше его визуальное отличие от ÐСП (риÑ. 5).

Ð’ Ñтом Ñлучае два визуальных образца предÑтавлÑÑŽÑ‚ одно и то же Ñодержание, или отноÑÑÑ‚ÑÑ Ðº предÑтавлению одного и того же клаÑÑа еÑтеÑтвенных или антропогенных объектов, еÑли они имеют близкие раÑÐ¿Ñ€ÐµÐ´ÐµÐ»ÐµÐ½Ð¸Ñ Ð¼Ð°Ñ‚Ñ€Ð¸Ñ† пар значений Ñигналов в парах одного и того же типа (риÑ. 6,7).


При Ñтом размер матриц пар значений Ñигналов завиÑит от так называемого окна поиÑка ÑÑкиза: чем больше размер окна, тем более точной ÑвлÑетÑÑ Ð¾Ñ†ÐµÐ½ÐºÐ° ÑÑкиза образца. С другой Ñтороны, чем больше окно, тем медленнее оÑущеÑтвлÑетÑÑ Ñодержательный поиÑк. ПоÑтому выбор размеров окна ÑвлÑетÑÑ ÑмпиричеÑким результатом разумного компромиÑÑа между вычиÑлительной ÑтоимоÑтью и детальноÑтью ÑÑкиза (риÑ. 8).

Таким образом, при Ñравнении двух визуальных образцов нет необходимоÑти Ñравнивать вÑÑŽ информацию, ÑодержащуюÑÑ Ð² них. Сравнению подлежит лишь та ÑущеÑÑ‚Ð²ÐµÐ½Ð½Ð°Ñ Ñ‡Ð°Ñть (Sketch), ÐºÐ¾Ñ‚Ð¾Ñ€Ð°Ñ ÐºÐ¾Ð´Ð¸Ñ€ÑƒÐµÑ‚ÑÑ Ð² зрительной памÑти и мгновенно воÑпринимаетÑÑ Ð·Ñ€Ð¸Ñ‚ÐµÐ»ÑŒÐ½Ð¾Ð¹ ÑиÑтемой человека.
Sketch-запроÑÑ‹ по Ñодержанию
Результаты Ñодержательных Sketch-запроÑов полноÑтью ÑоответÑтвуют пÑихофизиологичеÑкому разделению визуальных данных на группы неÑвных признаков. Кроме того, ÑиÑтема оказываетÑÑ ÑпоÑобной к дообучению [2].
Ð’ качеÑтве примера на риÑ. 9 приведены результаты первых пÑти запроÑов в выбранной БДИ.Â Ð¥Ð¾Ñ‚Ñ Ñама БДИ предÑтавлÑет доÑтаточно Ñложный Ð²Ð°Ñ€Ð¸Ð°Ð½Ñ‚Â Ð´Ð»Ñ Ð²Ð¸Ð·ÑƒÐ°Ð»ÑŒÐ½Ð¾Ð³Ð¾ поиÑка в Ñилу неоднозначноÑти Ð´ÐµÐ»ÐµÐ½Ð¸Ñ Ð¾Ð±ÑŠÐµÐºÑ‚Ð¾Ð² на клаÑÑÑ‹, результаты оказалиÑÑŒ веÑьма обнадеживающими.   90% запроÑов показывают правильный результат в качеÑтве первого выбора поиÑковой ÑиÑтемы. Первые два результата оказываютÑÑ Ð²ÐµÑ€Ð½Ñ‹Ð¼Ð¸ Ð´Ð»Ñ Ð±Ð¾Ð»ÐµÐµ 65% запроÑов. И более 40% запроÑов показали верными первый, второй и третий результаты поиÑка.

ОпиÑÐ°Ð½Ð½Ð°Ñ Ð¿Ð¾Ð¸ÑÐºÐ¾Ð²Ð°Ñ ÑиÑтема оказалаÑÑŒ ÑпоÑобной к нахождению новых признаков визуального ÑходÑтва, ÑоглаÑующихÑÑ Ñо зрительным воÑприÑтием. Так, отдельные результатов поиÑка (помечены Ñимволом (!) на риÑ. 9)Â Ñ…Ð¾Ñ‚Ñ Ñ„Ð¾Ñ€Ð¼Ð°Ð»ÑŒÐ½Ð¾ и показали неÑÐ¾Ð²Ð¿Ð°Ð´ÐµÐ½Ð¸Ñ Ñ ÐºÐ»Ð°ÑÑами запроÑных образцов, но, фактичеÑки, ÑвлÑÑŽÑ‚ÑÑ Ð²Ð¸Ð·ÑƒÐ°Ð»ÑŒÐ½Ð¾ Ñходными Ñ Ð·Ð°Ð¿Ñ€Ð¾Ñным образцом по тому или иному визуальному признаку. То еÑть, поиÑÐºÐ¾Ð²Ð°Ñ ÑиÑтема ÑпоÑобна к ÑкÑпертному дообучению: каждый результат Sketch-запроÑа, помеченный Ñимволом (!), может быть объединен Ñ ÑоответÑтвующим образцом Ð´Ð»Ñ Sketch-поиÑка  в один клаÑÑ Ð¿Ð¾ некоторым визуальным признакам, не учтенным ÑкÑпертами в иÑходной клаÑÑификации.
ÐкÑперименты Ñ Ð¾Ð±Ñ€Ð°Ð·Ñ†Ð°Ð¼Ð¸, взÑтыми Ñо Ñнимков ÑверхвыÑокого Ñ€Ð°Ð·Ñ€ÐµÑˆÐµÐ½Ð¸Ñ (Quickbird, 0,7м)  оказалиÑÑŒ еще более оптимиÑтичными. ПоиÑÐºÐ¾Ð²Ð°Ñ Sketch-ÑиÑтема «выбирала» результаты поиÑка Ñледующим образом (риÑ. 10):
- в 100% Ñлучаев первый результат отноÑилÑÑ Ðº тому же клаÑÑу, что и запроÑный образец;
- в 60% Ñлучаев второй и поÑледующий  результаты отноÑилиÑÑŒ к тому же клаÑÑу, что и запроÑный образец (куÑтарники, куÑтарники Ñ Ñ€ÐµÐ´ÐºÐ¾Ð»ÐµÑьем, дачи, поÑелки, Ð¿Ð¾ÐºÐ¾Ñ Ð¸ Ñ‚.д.).

Sketch-выделение учаÑтков на Ñнимках ÑверхвыÑокого разрешениÑ
Важным Ñтапом Ñодержательного поиÑка в ÑоответÑтвии Ñ Ð·Ð°Ð´Ð°Ð½Ð½Ñ‹Ð¼Ð¸Â Ð²Ð¸Ð·ÑƒÐ°Ð»ÑŒÐ½Ñ‹Ð¼Ð¸ характериÑтиками ÑвлÑетÑÑ Ð²Ñ‹Ð´ÐµÐ»ÐµÐ½Ð¸Ðµ ÑоответÑтвующих учаÑтков на изображениÑÑ….
Ð’ чаÑтноÑти, ÑкÑперименты Ñо Sketch-выделением объектов на Ñнимках Ñпутников Quickbird (0,7м) и IKONOS (1м) показали что учет:
- визуального воÑприÑÑ‚Ð¸Ñ Ñтруктурно-ÑркоÑтных характериÑтик объектов и
- оценки ÑƒÑ€Ð¾Ð²Ð½Ñ ÑÐ°Ð¼Ð¾Ð¿Ð¾Ð´Ð¾Ð±Ð¸Ñ Ð¾Ð±Ñ€Ð°Ð·Ñ†Ð¾Ð²
приводит к результатам  «почти ручного» выделениÑ; отличие не превышает 2% (риÑ.11, 12).

Ñлева — ручное выделение, Ñправа — Sketch-выделение

Ñлева — ручное выделение, Ñправа — Sketch-выделение
Заключение
С поÑвлением Ñнимков выÑокого и ÑверхвыÑокого Ñ€Ð°Ð·Ñ€ÐµÑˆÐµÐ½Ð¸Ñ Ð¿Ñ€Ð¾Ñ†ÐµÑÑ Ð¿Ð¾Ð¸Ñка и Ð²Ñ‹Ð´ÐµÐ»ÐµÐ½Ð¸Ñ Ð¸Ñкомых объектов вÑтал на принципиально новый уровень: вмеÑто поÑлементного анализа ÑиÑтема должна научитьÑÑ Â«Ð¼Ñ‹Ñлить» целыми объектами, или чаÑÑ‚Ñми объектов [3].  Ðто ÑтановитÑÑ Ð¾Ñобенно актуальным, поÑкольку Ñтандартные процедуры анализа и клаÑÑификации Ñпектральных ÑвойÑтв проÑтранÑтвенных объектов оказываютÑÑ Ð½ÐµÑффективными.  В чаÑтноÑти, леÑ, который может выглÑдеть Ñпектрально однородным при Ñреднем и низком разрешении, на Ñнимке ÑверхвыÑокого Ñ€Ð°Ð·Ñ€ÐµÑˆÐµÐ½Ð¸Ñ Ð¾ÐºÐ°Ð·Ñ‹Ð²Ð°ÐµÑ‚ÑÑ ÑоÑтоÑщим из отдельных деревьев и их теней.
Современные технологии позволÑÑŽÑ‚ увидеть объекты территорий наÑтолько близко из коÑмоÑа, что ÑтановитÑÑ Ð²Ð¾Ð·Ð¼Ð¾Ð¶Ð½Ñ‹Ð¼ говорить о формальном опиÑании таких визуальных характериÑтик, как шероховатоÑть, контраÑтноÑть, направленноÑть, линейноÑть, регулÑрноÑть, зерниÑтоÑть и Ñ‚. д.
С одной Ñтороны, ÑложившаÑÑÑ ÑÐ¸Ñ‚ÑƒÐ°Ñ†Ð¸Ñ Ð²Ñ‹Ð½ÑƒÐ¶Ð´Ð°ÐµÑ‚ разрабатывать новые подходы к обработке и анализу коÑмичеÑких изображений, а Ñ Ð´Ñ€ÑƒÐ³Ð¾Ð¹ Ñтороны — открываютÑÑ Ð½Ð¾Ð²Ñ‹Ðµ перÑпективы геоинтеллектуализации визуальной обработки в ÑущеÑтвующих каталогах коÑмичеÑких Ñнимков.
С Ñтой целью разработана ÑÐ¿ÐµÑ†Ð¸Ð°Ð»ÑŒÐ½Ð°Ñ Sketch-модель, ÐºÐ¾Ñ‚Ð¾Ñ€Ð°Ñ Ð¿Ð¾Ð·Ð²Ð¾Ð»Ñет выделÑть наиболее предÑтавительные Ñтруктурные ÑÐ¾Ñ‡ÐµÑ‚Ð°Ð½Ð¸Ñ Ñлементов образца Ð´Ð»Ñ Ñодержательного поиÑка. Ðа оÑнове Ñтой модели реализуютÑÑ Ñффективные запроÑÑ‹ по Ñодержанию в базах данных и каталогах коÑмичеÑких изображений Ñ Ð²Ð¾Ð·Ð¼Ð¾Ð¶Ð½Ð¾ÑÑ‚Ñми поÑледующего ÑкÑпертного дообучениÑ.
ТеоретичеÑкие оÑновы подхода разрабатывалиÑÑŒ ÑовмеÑтно Ñ Ð¸Ð½Ñтитутом Санта-Фе (СШÐ, штат Ðью-МекÑико) и лабораторией биоинженерии ПенÑильванÑкого универÑитета (СШÐ, штат ПенÑильваниÑ). ПрактичеÑкие иÑÑÐ»ÐµÐ´Ð¾Ð²Ð°Ð½Ð¸Ñ Ð¿Ñ€Ð¾Ñ…Ð¾Ð´Ð¸Ð»Ð¸ при иÑпользовании данных лаборатории геоÑиÑтемных иÑÑледований Центрального ÑибирÑкого ботаничеÑкого Ñада СО Ð ÐÐ.  Разработка программного обеÑÐ¿ÐµÑ‡ÐµÐ½Ð¸Ñ Ð¾ÑущеÑтвлÑетÑÑ Ð² лаборатории геоинформационных технологий и диÑтанционного Ð·Ð¾Ð½Ð´Ð¸Ñ€Ð¾Ð²Ð°Ð½Ð¸Ñ Ð¸Ð½Ñтитута геологии и минералогии СО Ð ÐРим. Ð’.С. Соболева.
СпиÑок литературы
 Julész B., Gilbert E., Shepp L. Inability of humans to discriminate between visual textures that agree in their second-order statistic–Revisitedю// Perception. 1973. Vol.2 . P.391–405.
- Ð.КовалевÑкаÑ, К.Боенко. Оценка характериÑтик запроÑов Ð´Ð»Ñ Ñодержательного поиÑка в базах данных коÑмичеÑких изображений.// ВычиÑлительные технологии. Ðов-Ñк, издательÑтво ИВТ СО Ð ÐÐ, 2008, Ñ‚.13, â„–2. Ñ.53-69.
- Ð.М.КовалевÑкаÑ, К.Ð.Боенко, О.Ð’.ЛовцкаÑ, Ð.Ð.Добрецов, Ð.Ю.Королюк. КонтекÑтное моделирование объектов земной поверхноÑти Ñ Ñ†ÐµÐ»ÑŒÑŽ Ð¿Ð¾Ð»ÑƒÑ‡ÐµÐ½Ð¸Ñ Ð¼ÐµÑ‚Ð°Ð´Ð°Ð½Ð½Ñ‹Ñ… о Ñодержании изображений.// ВычиÑлительные технологии. Ðов-Ñк, издательÑтво ИВТ СО Ð ÐÐ, 2010, 16Ñ.(в печати).