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.
Способ оценки итоговых ошибок классификации изображения с использованием функции Accuracy Assessment коротко рассмотрен в методическом пособии [1]. Получение итоговой матрицы ошибок – процедура достаточно трудоемкая и требует большого количества наземных контрольных точек, поэтому на практике используется редко. Хотя, безусловно, при наличии контрольных наземных данных ее выполнение весьма полезно.
Косвенно качество классификации можно оценить по файлу расстояний (рис.31) и связанной с ним функции Threshold, которая будет рассмотрена ниже.
Процесс устранения ошибочно классифицированных точек включает два типа операций:
1) выделение всех ошибочно классифицированных точек в отдельный класс «прочее»;
2) присоединение отдельных «выбросов» к фоновому классу.
Для выполнения первого типа операций необходимо определить порог отсечения «непохожих» пикселей для каждого класса. Для этого используется файл расстояний, описанный в предыдущем разделе. В пакете ERDAS Imagine для выбора порога отсечения предназначена функция Threshold блока Classifier. Входными данными для нее являются результат классификации и соответствующий ему файл расстояний. Функция Threshold позволяет построить гистограмму распределения расстояний для каждого класса. Если используемая при классификации сигнатура класса была репрезентативна, то гистограмма распределения расстояний хорошо аппроксимируется распределением c2. Типичный вид такой гистограммы показан на рис.32 слева.
|
|
|
Если сигнатура недостаточно репрезентативна, то есть смещена относительно центра выделяемого класса, гистограмма расстояний может иметь вид, показанный на рис.32 справа. Если гистограмма имеет несколько четко выраженных мод, то, возможно, данный класс включает в себя несколько классов. Чаще всего подобные ситуации возникают, когда классификация выполняется на малое количество классов по эталонам небольшого размера. Заново выполнять выбор эталонов в таких ситуациях имеет смысл, только если большие значения расстояний для k-го класса имеют выраженную пространственную локализацию на изображении. В этой ситуации можно предположить, что из k-го класса можно выделить еще один пространственно локализованный класс. Однако во многих случаях бывает сложно подобрать порог отсечения соответствующей группы пикселей.
|
|
|
Пространственное сглаживание результата классификации. 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.
Для операций с тематическими слоями существует отдельная группа методов, которые в ERDAS Imagine представлены в блокеGIS Analysis модуля Interpreter.
Рассмотрим некоторые функции блока GIS Analysis, наиболее часто применяющееся при так называемой постклассификационной обработке.
|
|
|
Анализ ближайших соседей (функция Neighborhood). 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.
Окно функции Neighborhood представлено на рис. 33. В этом окне можно установить размер маски и отметить те элементы, которые будут учитываться при анализе. В окошке Function устанавливается правило, по которому выбирается значение центрального элемента. Чаще всего используется Majority (преобладание), когда центральному элементу присваивается преобладающее значение класса в указанной окрестности.
Этот метод сглаживания по индексу класса имеет смысл применить хотя бы один раз к любому результату классификации. Пример, хорошо демонстрирующий эффект от однократного применения операции сглаживания результата тематической классификации, приведен на рис.34. В общем случае количество операций сглаживания, а также размер окна выбираются в зависимости от типа сцены. Неоднократное сглаживание
 |
обычно применяется для составления ландшафтно-экологических и геоботанических карт, когда отдельные мелкие детали изображения не представляют интереса. Необходимо помнить, что многократное применение такой процедуры может привести к значительному искажению границ между классами. В тех случаях, когда для получения тематической карты выполняется группировка выделенных классов в определенные тематические категории, повторное сглаживание может не потребоваться. На рис. 35 приведен результат группировки выделенных классов растительности из примера на рис.34 для составления тематической карты по известным из литературы взаимосвязям определенных типов растительного покрова с уровнем залегания грунтовых вод. Однородность контуров после группировки заметно увеличилась, а оставшиеся мелкие детали могут быть легко устранены на следующих этапах обработки.
|
|
|
 |
Кроме описанного режима, который установлен по умолчанию, в функции Neighborhood имеются также другие режимы.
Diversity – центральному элементу присваивается количество различных значений пикселей в окрестности. Этот метод напоминает высокочастотную фильтрацию полутоновых изображений типа continuous.
Density– центральному пикселю присваивается значение, равное количеству пикселей в окрестности, значение которых совпадают с центром. Эта функция, наоборот, подчеркивает наиболее однородные участки, то есть является аналогом низкочастной фильтрации для полутоновых изображений.
В блоке имеются также функция Max и обратная к ней, а также функция, обратная к Majority.
Совместный (оверлейный) анализ тематических слоев обеспечивается функциями Index, Overlay, Matrix. Здесь могут быть использованы как растровые, так и векторные слои. В качестве векторных слоев пакет использует покрытия ARC/INFO. Другие типы векторных слоев должны быть предварительно конвертированы в этот формат в блоке Import.
Функция Indexпозволяет рассчитывать линейные комбинации заданных слоев. Таким способом, между прочим, можно рассчитывать и линейные комбинации каналов (слоев типа continuous).
Функция Overlay выбирает из пары значений пикселей двух слоев минимальное или максимальное значение.
В каждой из этих функций есть процедура перекодировки классов.
Функция Matrix для пары слоев, содержащих аналогичные классы, строит изображение, которое показывает, как перекрываются классы на двух исходных. Этот процесс основан на том же принципе, что и матрица ошибок в задаче классификации.
Для оверлейного анализа могут быть использованы векторные картографические слои или другие результаты тематической классификации, приведенные к единой системе пространственных координат. Для формирования собственных многослойных изображений может быть использована функция Layer Stackиз блока Utilities.
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). Выделение и фильтрация пространственно связных по индексу класса областей на изображении выполняются с помощью функций Clump, Sieve, Eliminateиз блокаGIS Analysis.
Функция Clump формирует связные по индексу класса области путем анализа окрестности каждого пикселя, либо «крестом» (рассматриваются только соседи по горизонтали и вертикали), либо окном (рассматриваются все 8 соседей). Каждому сегменту присваивается собственный новый индекс. При этом индекс класса также сохраняется в атрибутах сегмента. Растровый результат сегментации представляется в виде серого полутонового изображения, на котором значения яркости соответствуют номерам выделенных сегментов, которые располагаются в порядке просмотра изображения. На рис.36 показан результат сегментации изображения, приведенного на рис.35.
 |
Функция Sieve исключает из рассмотрения сегменты меньше заданного размера (обнуляет их индексы). Максимальный размер сегмента, который подлежит удалению, задается пользователем.
Функция Eliminate, в отличие отSieve, сливает мелкие сегменты с более крупными, используя анализ ближайших соседей. Значения пикселей из мелких сегментов заменяются преобладающими в окрестности в несколько итераций, пока сегменты не будут полностью «поглощены» соседями. Растровый результат после выполнения этой процедуры отображается уже не по номерам сегментов, а по номерам классов.
Сегментированное таким способом изображение полностью готово к выполнению растрово-векторного преобразования и дальнейшему использованию в векторных ГИС. Функция растрово-векторного преобразования находится в меню блока Vector. Векторный результат представляется в формате покрытий пакета Arc/Info. Этот формат может быть преобразован к любому другому распространенному векторному формату в блоке Import. На рис. 37 представлен результат сегментации после применения функции Eliminate,на который наложен результат такого растрово-векторного преобразования. Необходимо помнить, что перед выполнением растрово-векторного преобразования изображение должно быть приведено к системе координат требуемой картографической проекции. Характеристики проекции отображаются в информационном блоке ImageInfo (функция Utility -> Layer Info редактора изображений).
Кроме перечисленных функций, для анализа и интерпретации классифицированного изображения с использованием дополнительных слоев, могут быть использованы функции блока Utilities из модуля Interpreter. Например, функция Operator позволяет выполнять различные операции над парой слоев, функция Function – выполнять различные операции над пикселями отдельного слоя или группы слоев. Для создания новых растровых слоев на основе векторных данных, необходимых для выполнения ГИС-анализа результатов классификации в меню Utilities имеется функция преобразования векторного слоя в растровый. С помощью этих функций можно создавать различные схемы комплексного тематического анализа полученных результатов классификации изображений с использованием картографических и других видеоматериалов.
 |
Контрольные вопросы.
- Перечислите последовательно операции, необходимые для перехода от результата классификации к тематической карте.
- Почему к растровому результату классификации нельзя применять методы фильтрации изображений, предназначенных для типа continuous?Какая функция в ERDAS Imagine используется для сглаживания результата классификации?
- Чем отличается функция Eliminateот функции Sieve?
- Какая функция используется для формирования собственного многослойного изображения? Каким условиям должны удовлетворять изображения, из которых оно формируется?
Литература.
Основная.
1. Л.Н.Чабан. Тематическая классификация многозональых (многослойных) изображений. Методические указания для лабораторного практикума. М.,МИИГАиК, 2006.
2. И.К.Лурье,А.Г.Косиков. Теория и практика цифровой обработки изображений: учеб.пособие для магистрантов ун-тов - М. : Научный мир, 2003.
3. Л.Н.Чабан. Теория и алгоритмы распознавания образов. М.,МИИГАИК, 2004.
4. Дистанционное зондирование: количественный подход. Ред. Ф.Свейн, Ш.Дэйвис. М., Недра, 1983.
5. Прэтт У. Цифровая обработка изображений. М., Мир, 1982.
6. Дж.Ту, Р.Гонсалес. Принципы распознавания образов. М., Мир, 1978.
7. ERDAS Imagine 8.5 Field Guide. Atlanta, USA, 1999-2001, pp.217-262.
Дополнительная.
8. В.Б.Кашкин. А.И.Сухинин. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений.,М.Логос, 2001г.
9. Jain A.K., Dubes R.C. Algorithms for Clastering Data. – Englewood Cliffs (NJ): Prentice-Hall, 1988.
10. Адзерихо К.С., Киселевский Л.И., Костюкевич С.Б., Краснопрошин В.В.. Физические основы дистанционного зондирования. Минск, Ун-т, 1991.
11. И.К.Лурье, А.Г.Косиков, Л.А.Ушакова, Л.Л.Карпович. Дистанционное зондирование и географические информационные системы. - М.: Науч.мир, 2004.
12. Ю.Ф.Книжников, В.И.Кравцова, О.В.Тутубалина. Аэрокосмические методы географических исследований. - М.: Академия, 2004.
13. Э.М.Браверман, И.Б.Мучник. Структурные методы обработки эмпирических данных. М., Наука, 1983.
14. Автоматизированная обработка изображений природных комплексов Сибири.Ред. А.Л.Яншин, В.А.Соловьев. Новосибирск, Наука,1988г.
15. Р.Дуда, П.Харт. Распознавание образов и анализ сцен. М., Мир, 1976.
16. А.Л.Горелик, В.А.Скрипкин. Методы распознавания. М., Высшая школа, 1977.
Рекомендуемые Интернет-источники.
17. http://www.scanex.ru/ru/index.html
18. http://gis-lab.info/qa.html#rs
19. http://www.magnolia.com.ru/
20. http://www.dataplus.ru/ARCREV/index.htm
21. http://www.gisa.ru/publicat.html
Содержание.
Введение........................................................................................................................................ 2
1.Физические принципы получения современных комических изображений. Основные типы видеоданных................................................................................................................................. 4
2. Космические съемочные системы, основные направления их использования. Целевые космические программы.................................................................................................................................... 8
3. Общая характеристика современных программно-инструментальных средств тематической обработки аэрокосмических изображений. Представление цифровых изображений в пакетах тематической обработки.......................................................................................................... 14
4. Основные этапы автоматизированной тематической обработки цифровых видеоданных. 18
5. Средства предварительной обработки и улучшения изобразительных характеристик космических изображений............................................................................................................................... 23
5.1. Методы контрастного растяжения и нелинейного квантования........................ 25
5.2. Низкочастотная и высокочастотная фильтрация.................................................. 29
5.3. Анализ главных компонент. Математические основы и практическое использование. 33
6. Геометрические преобразования (трансформирование) изображений................... 39
6.1. Математические основы и программная реализация....................................... 39
7.2. Решение учебной задачи географической привязки изображения средствами пакета ERDAS Imagine..................................................................................................................................... 45
7. Классификация многозональных изображений. Терминология и математическая постановка задачи........................................................................................................................................... 51
7.1. Метод гиперпараллелепипедов.................................................................................... 53
7.2. Линейные разделяющие функции............................................................................... 54
7.3. Параметрические методы классификации................................................................ 56
7.4. Неконтролируемая классификация............................................................................ 58
7.5. Статистическая классификация. Расстояние Махаланобиса............................... 64
7.6. Классификация по максимуму правдоподобия........................................................ 67
7.7. Обучение статистических классификаторов. Меры статистической разделимости. 73
7.8. Выбор метода и схемы классификации. Оценка вероятности ошибок............... 78
8. Переход от результата классификации к тематической карте.................................... 82
Литература................................................................................................................................... 90
Дата добавления: 2018-05-12; просмотров: 547; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!