Методы контролируемой классификации или классификации с обучением (способы параллелепипеда и минимального расстояния).
Смысл классификации с обучением по спектральным признакам или контролируемой классификации заключается в отнесении каждого из пикселов снимка к определенному классу объектов, которому соответствует некоторая область в пространстве спектральных признаков.
Контролируемая классификация обычно предпочтительна в случаях, когда необходимо выделить относительно небольшое число классов и когда пользователь имеет возможность задать на изображении обучающую выборку. Обучающая выборка представляет собой совокупность участков эталонов, подкрепленных, как правило, информацией из других проверенных источников (например, материалов наземного обследования) или уверенно опознаваемых однородных территорий, соответствующих каждому из выбранных классов. Однородность - одна из важнейших характеристик обучающей выборки для любого информационного класса.
Набор пикселов, попавших в обучающую выборку, позволяет вычислить статистики признаков (среднее значение, дисперсию и т.д.), а затем создать и оценить сигнатуры распознаваемых классов. Сигнатуры строятся в виде частотных гистограмм (графика) для каждого информационного класса по всем спектральным диапазонам.
Пример сигнатур для различных классов объектов приведен на рисунке 27. По оси ординат отложено среднее значение яркости пикселов, принадлежащих к определенному классу, по оси абсцисс - спектральные зоны.
Успех контролируемой классификации во многом зависит от качества обучающей выборки, поэтому при выборе эталонных областей необходимо учитывать следующие характеристики /19/.
Количество пикселов. Хотя точных рекомендаций в отношении этого показателя не существует, каждый тематический класс должен включать достаточно большое количество пикселов.
Размер области. Размер области следует выбирать так, чтобы соответствующая выборка содержала точную и надежную информацию об информационном (тематическом) классе. Вместе с тем, размер области не должен быть слишком большим, поскольку в этом случае возрастает вероятность нежелательных вариаций яркости.
Количество эталонных областей. Этот параметр зависит от числа распознаваемых объектов и их разнородности. Как правило, для каждого класса формируют от пяти до десяти обучающих выборок. Этого бывает достаточно, чтобы учесть пространственную и спектральную изменчивость свойств объектов внутри каждого класса. Формировать несколько выборок полезно еще и потому, что некоторые из них впоследствии могут быть исключены из рассмотрения.
 |
Рисунок 27- Пример сигнатур, построенных по значениям яркости объектов обучающей выборки
На основании опытных работ установлено, что лучше использовать много эталонных областей малого размера, чем небольшое число крупных эталонных областей.
Однородность, как отмечалось выше, – одна из важнейших характе- ристик обучающей выборки для любого тематического (информационно- го) класса. Обучающая выборка должна содержать только однородную информацию. Если гистограмма соответствующего выборке спектрального класса имеет только один пик, то обучающая выборка сформирована пра- вильно. Наличие нескольких пиков на гистограмме свидетельствует о том, что обучающая выборка содержит разнородную информацию и ее нельзя использовать для классификации. В этом случае идентифицируют эталон- ные области, вызывающие этот эффект, и исключают их из рассмотрения. Однородность данных характеризует дисперсия, поэтому минимальность дисперсии определяет репрезентативность выборки.
После создания обучающей выборки и оценки соответствующего набора сигнатур производится собственно классификация изображения, каждый пиксел которого анализируется независимо. Вектор признаков каждого пиксела сравнивается с сигнатурами в соответствии с решающими правилами. К наиболее распространенным, относятся следующие алгорит- мы:
· способ параллелепипеда;
· способ минимальных расстояний;
· способ максимума правдоподобия.
Способ параллелепипеда
Этот способ применяют для классификации четко различающихся объектов, когда значения спектральной яркости разных объектов практи- чески не перекрываются, а классов объектов немного. Как следует из названия, при классификации в пространстве спектральных признаков вы- деляются области в форме параллелепипедов (а в двумерном пространстве
— прямоугольников) ограничивающих значения яркости объектов данного класса. Граничные (минимальные и максимальные) значения яркости определяют по двумерным графикам спектральных признаков (сигнату- рам). За максимальное значение принимают сумму среднего значения яр- кости объекта в обучающей выборке и удвоенного стандартного отклоне- ния, за минимальное – разность между средним значением яркости и удво- енным стандартным отклонением.
Затем значения спектральных признаков в каждом пикселе сравнива- ются с граничными для каждого класса. Если пиксел по своим значениям яркости попадает в один из диапазонов с заданными границами, его отно- сят к соответствующему классу. Если значения яркости пиксела не попали
ни в один диапазон, его относят к неклассифицированным объектам. Если значения яркости попадают в несколько диапазонов, возможно несколько вариантов классификации объекта. Ни рисунке 28 показан принцип работы алгоритма.
Преимущества способа — простота, отсутствие требований к распреде- лению значений яркости (способ непараметрический), быстрота выполне- ния классификации. Этот способ часто применяют в сочетании с более сложными, чтобы быстро отделить объекты, не пересекающиеся по диапа- зонам характерных значений яркости с другими, а уже затем обрабатывать оставшиеся участки с помощью более сложных алгоритмов. Например, по сочетанию значений яркости в красной и ближней инфракрасной зоне снимка можно отделить растительность от открытых почв перед компью- терным дешифрированием типов растительности.
 |
Рисунок 28 - Классификации методом параллелепипеда. Принцип работы алгорит- ма. Использование для задания вершин параллелепипеда стандартных отклонений- 2σ от средних значений класса 1- МА1 и МБ 1- в зонах А и Б соответственно /14/
Дата добавления: 2021-03-18; просмотров: 375; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!