Выбор метода и схемы классификации.
Метод выбирает тот класс, для которого вероятность появления вектора яркостей x максимальна. У классов с небольшой дисперсией она быстро убывает к краям их эллипсоидов рассеяния, и поэтому на краях диаграммы рассеяния всего изображения вероятность может оказаться максимальной для класса с наибольшей дисперсией. Если это класс очень сложного состава, то отнесение к этому классу крайних точек диаграммы рассеяния может оказаться не критичным. Однако в некоторых случаях это приводит к совершенно неправдоподобным результатам.
Файл расстояний. Файл расстояний – это серое полутоновое изображение, где яркость пикселя определяется значением метрики, по которому принято решение об отнесении пикселя к классу. Поскольку решение принимается по минимальному значению такой метрики, то чем больше яркость пикселя в файле расстояний, тем меньше вероятность, что пиксель действительно принадлежит выбранному классу. С этой точки зрения файл расстояний очень удобен для оценки репрезентативности выбранных эталонов и качества классификации в целом.
Нечеткая классификация. Основанием для выполнения нечеткой классификации является наличие большого количества «смешанных» пикселей на границах между объектами разных классов. То есть спектральная сигнатура пикселя представляет собой суперпозицию спектральных сигнатур соседних классов. В этих случаях как раз и появляются светлые участки в файле расстояний: «смесь» оказывается практически равноудаленной от всех смежных на изображении классов. Чтобы получить более корректное решение, формируется несколько альтернативных вариантов классификации (количество задается пользователем). В результате получается многослойное классифицированное изображение, в каждом слое которого пиксели относятся к ближайшему классу в порядке увеличения значения метрики.
|
|
|
Переход от результата классификации к тематической карте
Результат автоматической классификации никогда не бывает идеальным с точки зрения его тематической интерпретации. Даже если выделенные классы соответствуют необходимым тематическим категориям, классификация каждого пикселя отдельно не дает нам связных областей на изображении. Кроме того, при любой классификации всегда возникают какие-то ошибки, пусть даже незначительные. Для перехода к тематической карте необходимо не только устранить ошибочно классифицированные точки, но и привести результат к тому виду, который требуется для дальнейшего прикладного анализа.
При устранении ошибочно классифицированных точек путем присоединения их к «фоновому» классу нельзя забывать, что результат классификации – это слой типа thematic. Значение пикселя в этом случае есть семантический индекс, связанный с тематическим описанием соответствующего объекта земной поверхности. Применять к индексному изображению типа thematic методы фильтрации, предназначенные для анализа исходных полутоновых изображений (continuous), ни в коем случае нельзя: индексы классов вводятся пользователем произвольно в процессе обучения и не имеют прямой функциональной связи с яркостными характеристиками объектов на изображении.
|
|
|
Анализ ближайших соседей позволяет устранить на классифицированном изображении отдельные неверно классифицированные точки путем анализа ее ближайшей окрестности. Как и в методах фильтрации, в процессе обработки центральному элементу окна присваивается значение, рассчитанное в заданной окрестности по определенному правилу.
Сегментация. Под сегментацией в общем случае подразумевается выделение на изображении пространственно связных областей, однородных по некоторому признаку. Ввиду многообразия методов сегментации в рамках данного курса нет возможности рассмотреть эти методы, поэтому мы ограничимся простейшим случаем – сегментацией уже расклассифицированных изображений, где каждому классу присвоено определенное численное значение (индекс класса).
Дата добавления: 2021-07-19; просмотров: 58; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!