Методы управляемой классификации изображений
Заочная форма обучения
Факультет лесного хозяйства
Реферат
по предмету:
Аэрокосмические методы в лесном деле
Выполнил: студент 5 курса
92 группы
Факультета Лесного хозяйства
Степанов А.С.
Номер зачётной книжки: 169230
Проверил: Лебедев Е.В.
Нижний Новгород
2020
Интерактивные методы дешифрирования.
Интерактивные методы дешифрирования материалов аэрокосмических съемок основаны на рациональном сочетании знаний и опыта дешифровщика и возможностей компьютерных технологий. Простейшим примером такого метода является дешифрирование по изображению на экране компьютера.
Использование компьютерной техники в значительной мере расширяет возможности визуального и аналитико-измерительного дешифрирования. Современные программные средства позволяют работать с различными вариантами синтеза многозональных изображений, использовать сочетания изображений различных датчиков и различной давности и их производные, увеличивать многократно на экране компьютера изображение дешифрируемого объекта (таксационного выдела или его части), осуществлять визуальное контурное и лесотаксационное дешифрирование, проводить в автоматизированном режиме различные измерения, например, сомкнутости полога, диаметров и площадей крон деревьев (или их групп), подсчитывать число видимых на снимке деревьев, различая их по породам или их группам, измерять длину теней деревьев или других объектов (на аэро- и космических снимках высокого разрешения), измерять высоты деревьев по разности продольных параллаксов.
|
|
|
Объектом анализа при интерактивном дешифрировании являются цифровые изображения различного происхождения. Это могут быть переведенные в цифровую форму аэро- или космические фотоснимки, многозональные сканерные изображения, радиолокационные снимки, данные сканирующих радиометров и др. При дешифрировании могут быть также использованы сочетания изображений различного разрешения и сроков съемки. Особо следует отметить возможность обработки цифровых данных дистанционного зондирования вместе с разнообразными картографическими и атрибутивными данными в среде современных геоинформационных систем.
В отличие от дешифрирования по аналоговым фотоотпечаткам 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, осуществить синтез из изображений в отдельных съемочных каналах, сгладить или подчеркнуть с помощью пространственных фильтров различные элементы изображения и т.д.
|
|
|
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 дешифрирования получаемые контуры сразу формируются в растровом или векторном виде. Этот метод представляет широкий спектр возможностей, позволяя:
· 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.
Технология интерактивного лесного дешифрирования в упрощенном виде заключается в выделении объектов и определении их таксационных характеристик непосредственно на экране компьютера. Для этого формируется изображение, которое может быть синтезом зональных изображений, синтезом любых других изображений или результатов их обработки, например, главных компонент. Подготовленное для обработки изображение выводится на экран в виде слоя – подложки и увеличивается до нужного масштаба.
|
|
|
С помощью курсора дешифровщик-оператор производит оконтуривание нужных участков. Современные программные средства обеспечивают удобный и доступный интерфейс даже для неопытного пользователя. При этом получаемые контуры сразу формируются в векторном или растровом виде и автоматически вычисляются их площади. Для каждого выделенного замкнутого контура участка визуальным, измерительным или автоматизированным методом с использованием различных программных и технологических приемов определяются таксационные характеристики.
Компьютерная система для визуального анализа изображений может быть оснащена устройством для работы со стереоизображениями. Например, затворными жидкокристаллическими очками, обеспечивающими раздельную передачу на правый и левый глаз дешифровщика соответствующих растровых изображений за счет синхронизации мигания развертки экрана и срабатывания затворов. Специальное программное обеспечение в комплекте с этим устройством позволяет производить стереоскопическое дешифрирование.
|
|
|
По завершении формирования набора контуров выделов и их характеристик данные передаются в базу картографических и таксационных данных для дальнейшей их обработки и актуализации.
Дешифровочные признаки, используемые при интерактивном дешифрировании оцифрованных фотоснимков или синтезированных (композитных) многозональных изображений, аналогичны тем, что используются при визуально-инструментальном дешифрировании.
При дешифрировании аналоговых аэро- и космических снимков лесные объекты опознаются по комплексу «прямых» и косвенных дешифровочных признаков. К «прямым» признакам относят те, которые непосредственно отображаются на снимке и воспринимаются дешифровщиком, а именно, тон (цвет), форма, размер, структура и текстура изображения, характер тени, рисунок.
1) Тон (цвет) характеризует относительную яркость объекта или его цвет. Это один из наиболее важных признаков дешифрирования. Для черно-белых снимков тон - степень почернения изображения на снимке. При дешифрировании цифровых снимков количество различимых градаций тона/цвета ограничивается только их количеством, т.е. радиометрическим разрешением изображения.
2) Форма объекта или его контуров является очень четким признаком дешифрирования. Как правило, объекты, созданные человеком, имеют четкие границы и правильную форму, а естественные объекты - лесные массивы, водоемы и пр. имеют неправильную форму и, зачастую, размытые границы. Форма объектов может быть точечной, линейной, площадной. Линейные объекты различают по ширине, длине, извилистости. К ним относятся дороги, трассы, каналы, противопожарные разрывы, реки, границы категорий земель. Площадные объекты – выделы.
3) Размер объекта зависит от масштаба. Как правило, при дешифрировании анализируются относительные размеры объектов на одном и том же снимке.
4) Структура изображения определяется взаимным расположением объектов на снимке. Как правило, отчетливая и хорошо распознаваемая структура возникает в местах периодически повторяющихся тонов и текстур. Так по структуре изображения можно отличить лесные культуры в регулярных рядовых посадках, созданных человеком, от насаждений естественного происхождения.
5) Текстура или частота изменений тона в определенной области снимка обычно характеризуется как резкая или плавная. Например, текстура смешанного леса характеризуется резкими пространственными изменениями тона, которые связаны с различиями в форме и размерах крон деревьев разных пород и вариациями их сомкнутости.
6) Тень является одним из важных дешифровочных признаков, поскольку дает представление об относительной высоте и профиле объекта (дерева или полога леса).
7) Рисунок изображения создается комплексом всех формирующих его признаков. Он зависит от характера местности, масштаба изображения или разрешения снимков, спектральных зон и условий съемки.
На сверхкрупномасштабных аэроснимках (1:2000 и крупнее) рисунок создается кронами деревьев, их тенями и фоном. На снимках такого масштаба опознаются отдельные ветви, очертания крон, их морфологические особенности, по которым можно определить древесные породы, степень повреждения древостоев вредителями, болезнями и прочими неблагоприятными факторами. Ландшафтные особенности местности, в том числе, тип условий местопроизрастания, не оказывают существенного влияния на рисунок изображения, поскольку даже минимальные по площади единицы природно-территориальных комплексов, значительно больше площади, изображающейся на крупномасштабном снимке. На таких снимках можно опознать и подсчитать практически все деревья в верхней части полога, кроны которых не затенены соседними деревьями.
На аэроснимках крупного масштаба (1:2000-1:10000) рисунок изображения создается генерализованными кронами деревьев, формирующими структуру полога. На средне- и мелкомасштабных аэроснимках (1:10000- 1:100000) изображаются группы деревьев, при этом структура полога дешифрируется отчетливо.
На космических фотоснимках изображаются целые лесные массивы с дифференциацией на группы и виды древесных пород в зависимости от масштаба изображения. Помимо масштаба существенное влияние на изображение оказывают характер рельефа местности, речная сеть и водные объекты, геологическое строение и степень хозяйственной освоенности территории.
При переходе от масштаба к масштабу претерпевают изменения геометрические и изобразительные свойства снимка. Если на крупно- и среднемасштабных снимках видны кроны или группы крон деревьев, то на мелкомасштабных, прежде всего, космических, происходит генерализация цвета и структуры изображения. Теряются мелкие и малоконтрастные объекты. Линейные очертания контуров обобщаются за счет исключения мелких деталей и изгибов. Размытые границы становятся контрастными и четкими, приближаясь к линейным. По мере уменьшения масштаба рисунок изображения определяется структурой природно-территориальных комплексов разного таксономического ранга (уровня) – урочищ, местностей, ландшафтов.
К косвенным дешифровочным признакам относят приуроченность объектов к определенным условиям местопроизрастания, ландшафтам.
При дешифрировании производных изображений, например, синтезированных из зональных при нестандартных вариантах синтеза, индексных, преобразованных методом главных компонент и др., дешифровочные признаки разрабатываются отдельно для каждого варианта преобразованного изображения.
Следует отметить, что практически все современные методы автоматизированной классификации изображений в той или иной мере являются интерактивными, поскольку требуют либо предварительного участия опытного дешифровщика в процессе подготовки и настройки классификатора, либо его участия после классификации для оценки полученных результатов.
Методы автоматизированной классификации спутниковых изображений. ₽
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 минимальных объектов при классификации цифрового изображения чаще всего используются минимальные элементы этого изображения – пиксели, однако в некоторых задачах могут быть использованы более крупные участки, например, таксационные выделы.
Существующие методы классификации делятся на контролируемые и неконтролируемые. Автоматизированная 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 (тематическим классам). Эталоны могут быть идентифицированы с помощью аэрофотоснимков, данных наземных обследований или существующих карт. Не достижение требуемого уровня точности последующей классификации может служить основанием для дополнительного обучения системы, изменения множества распознаваемых классов или принятия результатов классификации.
Неконтролируемая (неуправляемая) классификация относится к разряду автоматических и менее зависящих от управления со стороны пользователя процедур. Обучения здесь не производится. Пользователь лишь определяет некоторые параметры (количество выделяемых классов-кластеров, итераций и др.), используемые затем системой для выявления статистически различимых групп объектов (пикселей, 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. Использование неконтролируемой классификации требует последующей идентификации выделенных кластеров для отнесения их к тематическим классам или группам классов. Этот подход обычно используется в случаях, когда знания об объекте отсутствуют или недостаточны для проведения качественного обучения.
Методы управляемой классификации изображений
Управляемая 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, подкрепленных, как правило, информацией из других проверенных источников (например, материалов наземного обследования) или уверенно опознаваемых однородных территорий, соответствующих каждому из выбранных классов. То есть возможность использования управляемой классификации требует априорных знаний:
- количество классов объектов, представленных на изображении и подлежащих распознаванию;
- места расположения выборочных участков, соответствующих каждому из классов.
Набор пикселей, попавших в обучающую выборку, позволяет вычислить статистики признаков, а затем создать и оценить сигнатуры распознаваемых классов. После создания и оценки соответствующего набора сигнатур производится собственно классификация изображения, каждый пиксель которого анализируется независимо. Вектор признаков каждого пикселя сравнивается с сигнатурами в соответствии с решающими правилами. В теории распознавания образов разработано большое число методов и алгоритмов управляемой классификации, наибольшее распространение из которых при обработке данных дистанционного зондирования нашли следующие:
- метод параллелепипеда;
- минимальных расстояний;
- максимума правдоподобия.
Метод параллелепипеда основан на сравнении значений пикселей 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, пиксель считается принадлежащим заданному классу в случае, если его значение попадает в интервал между ними, отображает принцип классификации данных методом параллелепипеда.
В случаях, когда пиксель 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 пиксели попадут в разряд не классифицированных. Метод минимального расстояния основан на вычислении евклидовых расстояний в пространстве признаков между вектором значений произвольного пикселя и векторами средних значений для каждой сигнатуры. Пиксель считается принадлежащим классу, расстояние от которого до среднего значения сигнатуры оказывается минимальным. Близким, по сути, к данному методу является подход, учитывающий изменчивость значений пикселей внутри сигнатур отдельных классов и основанный на вычислении в пространстве признаков расстояний Махаланобиса.
Метод максимального правдоподобия (иначе называемый классификацией по Байесу) основан на вычислении вероятности принадлежности пикселя 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 равными 1.0.
Пиксель считается относящимся к классу, для которого значение правдоподобия, вычисляемое с учетом априорных вероятностей, принимает минимальное значение.
Методы неконтролируемой классификации изображений Методы неконтролируемой классификации, часто называемые кластерным анализом, или кластеризацией, основаны на естественной группировке классифицируемых объектов изображения на основе анализа пространства признаков, полученного по всем объектам изображения. Они не требуют предварительного обучения классификатора, однако после классификации на пользователя возлагается задача интерпретации полученных классов (кластеров). Часть методов кластеризации требует задания некоторых параметров, в соответствии с которыми производится анализ пространства признаков и формирование кластеров. Такими параметрами могут быть число кластеров, число итераций и другие.
Существуют три основные разновидности методов кластерного анализа. К первой из них относятся методы, основанные на отыскании моды распределения. Идея этих методов состоит в том, что кластеры соответствуют максимумам плотности распределения данных. Поэтому необходимо оценивать плотность распределения и отыскивать все максимумы (моды), каждый из которых соответствует некоторому кластеру. Затем каждый объект (пиксель) может быть отнесен к одному из кластеров на основе некоторого критерия, устанавливающего границы между кластерами в пространстве признаков. Данный метод не требует задания числа кластеров для выполнения анализа.
Если число кластеров известно заранее, можно воспользоваться второй разновидностью кластерного анализа – методом, в котором в качестве критерия используется отношение внутрикластерной и межкластерной дисперсий. В основе такого подхода лежит идея о том, что пиксели (объекты) принадлежат кластеру с наиболее близким средним значением. Например, средние значения (центры) на первом этапе могут выбираться случайным образом, но так, чтобы они были окружены другими пикселями (объектами). На втором этапе процедуры проводится отнесение объектов к тем кластерам, центры которых находятся ближе всего. После этого подсчитываются новые средние значения для кластеров, и повторяется второй шаг процедуры, которая является сходящейся. Результат кластеризации может зависеть от выбора начальных средних значений кластеров. Если кластеры, полученные в результате применения этой процедуры, не являются «истинными», то различное назначение исходных средних может привести к различным результатам кластеризации. Если число кластеров априори неизвестно, процедуру следует повторить для различного числа кластеров.
Наиболее широко известен алгоритм ISODATA, относящийся к данной разновидности методов кластерного анализа. Этот алгоритм относится к категории самоорганизующихся, поскольку требует минимальных априорных знаний пользователя для задания исходных параметров. 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 пикселей, соответствующих каждому из них. Процесс повторяется до тех пор, пока изменения между итерациями не станут минимальными.
И, наконец, третья разновидность - иерархические схемы кластеризации. При их использовании обычно каждый минимальный объект кластеризации (чаще всего - пиксель) 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. Например, расстоянием между кластерами можно считать расстояние между средними значениями кластеров, между двумя ближайшими объектами или между двумя наиболее удаленными объектами. В результате применения этого метода строится некоторая разновидность дерева, называемая часто «дендрограммой» и отображающая процесс последовательного объединения кластеров с учетом соответствующей меры кластеризации. Окончательный вариант кластеризации выбирается по дендрограмме пользователем.
Получаемые при неконтролируемой классификации классыкластеры являются машинными, то есть выделенными на основе математического анализа признаков близости объектов (пикселей) по некоторым заложенным в алгоритмах кластеризаций критериям. Поэтому во всех случаях завершающим этапом кластеризации является процесс идентификации кластеров, т.е. процесс установления их принадлежности определенным тематическим классам или группам классов. Например, тематический класс «вырубки» очень разнообразен, сюда включаются и сильно минерализованные участки, и участки с густым сохранившемся подростом, участки с травяным покровом, с покровом из мха или хвоща, густо возобновившиеся порослью лиственных пород и тому подобное. Спектральные свойства всех этих участков сильно различаются, и большинство алгоритмов кластеризации выделит отдельно многие из них. При идентификации все эти кластеры надо будет объединять в один. Возможен и обратный эффект – когда в один кластер попадают различные тематические классы. Например, в результате классификации видно, что свежие вырубки и сельскохозяйственные угодья оказались объединены в один кластер (синий), другой кластер (малиновый) объединяет все лиственные и хвойные насаждения старше 40-50-ти лет и т.д. В этом случае требуется либо изменение параметров кластеризации, либо использование других более информативных изображений, либо корректировка тематических классов (в случае если по используемым изображениям они не различаются).
Классификация на основе искусственных нейронных сетей. Развитие современных компьютерных технологий привело к созданию уникального вида программных и аппаратных продуктов - нейронных сетей, моделирующих работу головного мозга человека. Искусственные нейронные сети (ИНС) состоят из программно сконструированных элементов – «нейронов» с «аксонами» и «дендритами», созданных по аналогии с нейронами коры головного мозга. Эти «нейроны» организуются по способу, который может соответствовать анатомии мозга - они соединены между собой «синоптическими» связями и образуют многослойную сетевую структуру, способную самообучаться. ИНС функционирует благодаря своей структуре, а не с помощью использования программирования. То есть, учет новых фактов заключается в «переобучении» сети с их участием, а не в переделывании программы.
ИНС может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами. По архитектуре связей ИНС могут быть разделены на два класса : сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями.
В наиболее распространенном семействе сетей первого класса, называемых многослойным персептроном, нейроны расположены слоями и имеют однонаправленные связи между слоями. Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети. Рекуррентные сети являются динамическими, так как в силу обратных связей в них модифицируются входы нейронов (весовые коэффициенты), что приводит к изменению состояния сети.
Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется ИНС. Чем сложнее ИНС, тем масштабнее задачи, подвластные ей. Обучение ИНС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синоптических связей.
Во втором случае выходы ИНС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. Алгоритмы обучения делятся на два больших класса: детерминистские и стохастические. В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором – она производится на основе действий, подчиняющихся некоторому случайному процессу. Еще одна классификация делит НС на синхронные и асинхронные. В первом случае в каждый момент времени свое состояние меняет лишь один нейрон. Во втором – состояние меняется сразу у целой группы нейронов, как правило, у всего слоя.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Аэрокосмические методы в охране природы и лесном хозяйстве/под
ред. Сухих В.И., Синицына С.Г.М.: Лесная промышленность.1979 –
288 с.
2. Дистанционное зондирование в лесном хозяйстве /Данюлис Е.П.,
Жирин В.М.,Сухих В.И., Эльман Р.И. М.: Агропромиздат, 1989 -223
3. Дмитриев И.Д., Мурахтанов Е.С., Сухих В.И. Лесная авиация и
аэрофотосъемка М.: Агропромиздат, 1989. - 366 с.
4. Киреев Д.М. Методы изучения лесов по аэроснимкам. Новосибирск:
Наука, 1977. -212 с.
5. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические
методы географических исследований. Учеб. Для студ. высш. учеб.
заведений. М.: Издательский центр «Академия», 2004. - 336с.
6. Кринов Е.Л Спектральная отражательная способность природных
образований. М.-Л.: Изд-во АН СССР, 1947. - 271 с.
7.Кронберг П. Дистанционное изучение Земли: Основы и методы дистанционных исследований в геологии. М.: Мир.1988. - 343 с.
8.Лабутина И.А. Дешифрирование аэрокосмических снимков: Учеб.
Пособие для студентов вузов. - М.: АспектПресс, 2004.-184 с.
Дата добавления: 2021-04-15; просмотров: 269; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!