Интерактивное дешифрирование.

⇐ ПредыдущаяСтр 16 из 24Следующая ⇒

Дешифрирование - Заключается в выявлении и распознавании на аэро- и/или космических изображениях объектов, установлении их качественных и количественных характеристик, а также регистрации результатов в графической (условными знаками), цифровой и текстовой формах. Автоматизированное (интерактивное, человеко-машинное) дешифрирование - сочетает в себе элементы аналитико-измерительного дешифрирования, выполняемого дешифровщиком (оператором) по изображению на экране дисплея с автоматическим дешифрированием. Аналитико-измерительное дешифрирование - сочетает визуально-логический анализ изображения с измерением различных параметров дешифрируемых объектов. Объектом анализа при интерактивном дешифрировании являются цифровые изображения различного происхождения. Это могут быть переведенные в цифровую форму аэро- или космические фотоснимки, многоканальные сканерные изображения, радарные изображения, данные сканирующих радиометров и др. Использование при дешифрировании фотоснимков жестко привязывает дешифровщика к определенному масштабу. При интерактивном методе имеется возможность оперативно увеличивать и уменьшать изображение до масштаба, позволяющего извлечь максимум информации. При интерактивном методе получаемые контуры сразу формируются в векторном или растровом виде. При этом получаемые контуры сразу формируются в векторном или растровом виде и автоматически вычисляются их площади. Для каждого выделенного в виде замкнутого контура участка визуальным, измерительным или автоматизированным методом с использованием различных программных и технологических приемов определяются таксационные характеристики. В отличие от дешифрирования по фотоснимкам при интерактивном методе дешифрирования можно корректировать визуализируемое на экране изображение и преобразовывать его в наиболее информативный и удобный для дешифровщика вид. Существует множество алгоритмов улучшения и преобразования изображений – изображение можно контрастировать, убрать шумы и сбойные строки, изменить цветопередачу, сгладить или подчеркнуть с помощью различных морфологических фильтров различные элементы изображения т.д.

Интерактивные методы представляют широкий спектр новых возможностей. Она позволяет: Обрабатывать не исходное изображение, а результат его преобразования. Совмещать изображения из разных источников – разновременные, полученные в оптическом и радио диапазонах, результаты автоматизированной обработки и т.п. Совмещать обрабатываемое изображение с любыми другими пространственно связанными с ним данными – различными тематическими картами, данными наземного лесоустройства и т.п.

В зависимости от места проведения дешифрирования оно может быть: камеральным (лабораторным), полевым, выполняемым непосредственно на местности (в лесу - в “поле”), аэровизуальным и комбинированным

Методы и алгоритмы автоматизированной классификации.

Под классификацией понимается процесс отнесения объектов растрового цифрового изображения к одному из заранее заданных тематических классов. Основанием для этого служит некоторая совокупность критериев близости значений свойственных им признаков. Применительно к изображениям процесс классификации часто также называют сегментацией. В качестве объектов цифрового изображения чаще всего используются минимальные элементы этого изображения – пикселы, однако в некоторых задачах могут быть использованы более крупные объекты, например, таксационные выделы. Соответственно результатом классификации изображения могут быть карты категорий земель, с отображением покрытых лесом земель, вырубок, болот, пастбищ, водных объектов, населенных пунктов и т.д.; карты лесонасаждений, характеризующие распределение покрытых лесом земель по преобладающим породам или их группам, карты распределения насаждений по классам состояния и др. Существующие методы классификации делятся на контролируемые и неконтролируемые.

Контролируемая (управляемая) классификация основывается на использовании для разделения пространства признаков на классы характеристик распознаваемых классов, получаемых с помощью специально подобранных эталонов – так называемой обучающей выборки. Соответственно контролируемая классификация требует предварительного формирования набора эталонов соответствующих образам или распознаваемым типам объектов земной поверхности. Эталоны могут быть идентифицированы с помощью аэрофотоснимков, данных наземных обследований или существующих карт. Достижение или не достижение требуемого уровня точности последующей классификации может служить основанием для дополнительного обучения системы, изменения множества распознаваемых классов или принятия результатов классификации. Метод параллелепипеда основан на сравнении значений пикселов изображения с заданными нижними и верхними пределами. В качестве пределов могут выступать, например, рассчитываемые на основе средних значений и стандартных отклонений сигнатур минимальные и максимальные значения в каждом спектральном канале. После того, как значения нижнего и верхнего пределов признаков каждой сигнатуры определены, пиксел считается принадлежащим заданному классу в случае, если его значение попадает в интервал между ними. В случаях, когда пиксел попадает в область перекрытия двух или более полигонов, пользователь должен определить самостоятельно, к какому классу они будут отнесены или отказаться от их классификации. В последнем случае пикселы попадут в разряд не классифицированных. Метод минимального расстояния основан на вычислении евклидовых расстояний в пространстве признаков между вектором значений произвольного пиксела и векторами средних значений для каждой сигнатуры. Пиксел считается принадлежащим классу, расстояние от которого до среднего значения сигнатуры оказывается минимальным. Метод максимального правдоподобия (иначе называемый классификацией по Байесу) основан на вычислении вероятности принадлежности пиксела классу в предположении нормального распределения значений признаков с учетом априорной вероятности встречаемости каждого класса, задаваемой весовыми факторами. В случае, если пользователю не известны априорные вероятности классов, рекомендуется задание одинаковых весовых факторов для всех классов, принимаемых равных 1.0. Пиксел считается относящимся к классу, для которого значение правдоподобия принимает минимальное значение.

Неконтролируемая (неуправляемая) классификация относится к разряду более автоматических и менее зависящих от управления со стороны пользователя процедур. Обучения здесь не производится. Пользователь лишь определяет некоторые параметры (количество выделяемых классов-кластеров, кол-во итераций и др.), используемые затем системой для выявления статистически различимых групп объектов (пикселов, участков, выделов) на основе анализа самих данных. Результатом такой классификации является набор автоматически сформированных классов, называемых обычно кластерами, которые образуются объектами со сходными значениями признаков распознавания.Как управляемая, так и неуправляемая классификации изображений основаны на использовании наборов спектральных, текстурных, геометрических и др. характеристик объектов называемых сигнатурами. Сигнатуры при этом могут быть параметрическими и не параметрическими. Параметрические сигнатуры основаны на статистических параметрах объектов, относящихся к обучающей выборке. Например, средняя яркость, дисперсия и др. Непараметрические сигнатуры представляют собой описания классов в пространстве признаков, как правило, в виде n-мерных гистограмм значений параметров объектов (пикселов, выделов и т.п.), принадлежащих каждому классу (n равно количеству параметров). Непараметрические классификаторы используют набор непараметрических сигнатур для отнесения пикселов или участков к классам, основываясь на расположении их сигнатур внутри или за пределами соответствующих областей в пространстве признаков изображения. Наиболее широко известен алгоритм ISODATA. Указанный алгоритм использует критерий близости точек в пространстве признаков. Процесс начинается с задания числа выделяемых кластеров, имеющих произвольные средние значения. Последующая автоматическая итеративная процедура направлена на последовательное приближение начальных значений к центрам кластеров. После каждой итерации вычисляются новые центры кластеров с учетом расположения в пространстве признаков пикселов, соответствующих каждому из них. Процесс повторяется до тех пор, пока изменения между итерациями не станут минимальными.Иерархические схемы кластеризации. При их использовании обычно каждый минимальный объект кластеризации (чаще всего - пиксел) рассматривается как отдельный кластер. Затем пары ближайших, наиболее похожих кластеров, объединяются; этот шаг повторяется вплоть до получения единственного кластера. Использование этого метода предполагает, что некоторым образом определен способ измерения расстояния между кластерами.

Таким образом, задача классификации состоит на первом этапе в оптимальном разбиении пространства признаков на области решения таким образом, чтобы каждая область относилась к одному из различимых классов, а затем в создании классификатора, позволяющего относить любой произвольный пиксел изображения к классу, в область решения которого он попадает

Дата добавления: 2019-02-22; просмотров: 767; Мы поможем в написании вашей работы!

Поделиться с друзьями:

⇐ Предыдущая 11 12 13 14 151617 18 19 20 Следующая ⇒

Мы поможем в написании ваших работ!