Классификация многозональных изображений. Терминология и математическая постановка задачи.

⇐ ПредыдущаяСтр 9 из 15Следующая ⇒

В отличие от визуально-интерактивных методов дешифрирования, алгоритмы автоматической классификации приписывают индекс определенного класса каждому отдельному пикселю, а не оконтуренной дешифровщиком области. Для этого нам необходимо задать признаки каждого класса, а также правило принятия решения, по которому мы сможем надежно отнести отдельно взятый пиксель к тому или иному классу. Описание некоторого объекта в виде набора признаков, по которым его можно отнести к определенному классу, называют образом этого объекта. Методология формирования описаний объектов и их выделения (или классификации) по таким описаниям называется распознаванием образов.

Единственной численной характеристикой пикселя на панхроматическом изображении является его значение яркости. Конечно, каким-то классам объектов земной поверхности можно сопоставить определенные интервалы значений яркости. Но, всего скорее, эти интервалы будут существенно перекрываться, и часть пикселей мы будем классифицировать неправильно.

При классификации многозонального изображения мы имеем несколько слоев - панхроматических изображений, полученных в разных зонах электромагнитного спектра. Поскольку объекты земной поверхности имеют различную отражательную способность в разных зонах спектра, пиксель, принадлежащий к определенному классу объектов, будет иметь в разных слоях различные яркости.

Яркости пикселя по слоям – каналам многозонального изображения, упорядоченным по возрастанию длины волны электромагнитного спектра, можно отобразить в виде спектрального профиля (рис.18). Он представляет собой кусочно-линейную аппроксимацию кривой спектральной отражательной способности объекта в зависимости от длины волны. При большом количестве каналов мы получим довольно точную аппроксимацию этой кривой, которую часто называют спектральным образом пикселя (или просто спектром). Если представить значения яркости по n каналам в виде n-мерного вектора x(см. раздел 5.3), то спектральный образ пикселя отобразится точкой в n-мерном пространстве спектральных яркостей, которое в задаче распознавания называют пространством признаков (ПП). Вектор координат пикселя в этом пространстве называют спектральной сигнатурой пикселя. Набор спектральных сигнатур, достоверно описывающий определенный класс объектов, называют сигнатурой класса.

Яркость пикселя в j-м канале – это его j-я координата в пространстве яркостей. Длина вектора – спектральной сигнатуры пикселя характеризует положение спектральной кривой на шкале яркостей, а соотношение между отдельными координатами, определяющее направление вектора, – форму спектрального профиля. Так осуществляется переход от анализа сходства спектральных кривых к анализу множества точек в n-мерном пространстве яркостей. Вид этого множества, которое в разделе 5.3 мы назвали диаграммой рассеяния, зависит от спектральных отражательных свойств представленных на изображении объектов и соотношения их площадей.

Заметим, что некоторые типы объектов земной поверхности имеют характерную и устойчивую форму спектра отражения, которая может использоваться для их выделения. К ним относятся искусственные материалы, различные химические элементы и соединения, в том числе некоторые типы горных пород. Яркость таких объектов зависит только от условий освещенности, форма спектра отражения при этом не меняется. Для выделения таких объектов применяются методы спектрально-угловой классификации. В этих методах признаком является угол между вектором x и эталонным вектором x₀ в пространстве яркостей. Спектрально-угловые методы классификации позволяют избежать ошибок, связанных с условиями освещенности. Простейший вариант такой классификации имеется в пакете ENVI. Однако качественная классификация спектрально-угловым методом требует достаточно большого числа спектральных каналов, в противном случае вектор яркостей эталона может оказаться нерепрезентативным. Поэтому спектрально-угловая классификация применяется преимущественно на гиперспектральных изображениях для решения специального типа задач: дистанционное обнаружение целевых объектов в зонах техногенных катастроф, геологические изыскания и т.п.

В большинстве случаев интересующие нас классы объектов земной поверхности представляют собой комплексы мелких объектов с различными спектрами отражения. В первую очередь это относится к почвенно-растительному покрову, спектральные отражательные свойства которого зависят не только от состава, но также от сезона съемки и метеоусловий. Выбрать подходящую меру сходства между спектрами (функциями длины волны) так, чтобы все интересующие нас классы разделялись с требуемой точностью, в этом случае очень сложно. В модели же n-мерного пространства признаков задача распознавания сводится к построению границ между областями диаграммы рассеяния, соответствующими выбранным нами классам. Эти границы могут иметь в общем случае сложную форму, а областей, описывающих отдельный тематический класс объектов, может быть несколько. Однако для такой модели существует достаточно большое количество методов построения границ, обеспечивающих решение задачи с определенным уровнем ошибки. И, что очень важно, в этом случае значительно проще оценить ожидаемую вероятность ошибок.

В ERDAS Imagine, как и во всех пакетах обработки аэрокосмических изображений, имеется стандартный набор таких процедур классификации многозональных изображений, которые называют «классическими».

Начнем рассмотрение этой методологии с самого простого случая.

Метод гиперпараллелепипедов.

При конкретном наборе интересующих нас классов {A_k}, k=1,...,K, значения признаков для образов различных классов в n-мерном пространстве яркостей могут совпадать или перекрываться по одним координатам и различаться по другим. Если области для разных классов хорошо разделяются хотя бы по одной из n координат, мы можем задать границы каждого класса A_k интервалами значений W_j(k)=[a_jk,b_jk] по каждой координате j=1,…,n и классифицировать сигнатуры пикселей по простому правилу:

x₁Î[a_1k,b_1k], x2Î[a_2k,b_2k],…, x_nÎ[a_nk,b_nk] Þ xÎA_k.

Геометрическая интерпретация этого случая при n=2, K=3 показана на рис. 19. Здесь W₁(1)=W₁(2)+W₁(3), но класс А₁ разделяется попарно с классами А₂ и А₃ по признаку х₂. В то же время W₂(2)=W₂(3), но эти классы разделяются по признаку х₁.

Метод классификации, основанный на правиле (1), называют методом гиперпараллелепипедов. Его разновидности имеются в большинстве пакетов обработки данных ДЗ. Иногда его используют и при частично перекрывающихся гиперпараллелепипедах, когда ширина Dx_j параллелепипеда в каждом канале определяется как

Dx_j=x_j₍_max₎-x_j₍_min₎.

В таком случае, однако, необходимо вводить отдельное правило принятия решения для областей перекрытия. Возможные решения, предлагаемые в пакете ERDAS Imagine, описаны в [1].

Главным достоинством метода является то, что здесь не используются никакие предположения о статистических свойствах сигнатур классов; границы параллелепипедов определяются по разбросу эталонных выборок. Это удобно в тех случаях, когда класс неоднороден по яркости или выборки слишком малы для надежной оценки средних яркостей по каналам и других необходимых статистических характеристик. Конечно, точность классификации при этом может оказаться недостаточно высокой. Но когда

эталоны тематических классов выбираются путем традиционного визуального анализа отдельных каналов, то есть по яркостному контрасту, этот метод может дать вполне приемлемый результат.

Дата добавления: 2018-05-12; просмотров: 1082; Мы поможем в написании вашей работы!

Поделиться с друзьями:

⇐ Предыдущая 4 5 6 7 8910 11 12 13 Следующая ⇒

Мы поможем в написании ваших работ!