Метод вычисления вегетационного индекса NDVI

Методы вычисления вегетационных индексов (в т.ч. индекса NDVI) заключаются в выделении зеленой растительности с помощью простого арифметического преобразования и относятся к полностью автоматизированным методам, в которых участие пользователя ограничивается лишь одним последним этапом – идентификацией выделенных объектов.

Использование вегетационных индексов возможно благодаря специфическому ходу спектральных кривых зеленой растительности.

Нормализованный вегетационный индекс NDVI равен отношению разности яркостей пиксела изображения в инфракрасном и красном диапазоне спектра к их сумме, т.е. ИК – К / ИК + К.

При этом, чем больше значение данного индекса, тем более яркой является рассматриваемая растительность и тем в более хорошем состоянии она находится.

Кластерный анализ относится к цифровым автоматизированным методам обработки космических изображений и позволяет выделять контура с неконтрастной по спектральной яркости структурой. Это могут быть как непосредственно выделяемые растительность, открытые почвы, вода, облака и другие объекты, так и некоторые особенности территории, выделяемые по косвенным признакам, например, увлажнение, степень продуктивности почв, литологический состав пород и т.д.

Алгоритм кластеризации производит спектральный анализ исходного многозонального растрового изображения и пересчитывает его в однозональное, распределяя все пикселы в кластеры по их яркостным характеристикам.

Метод кластеризации ISODATA использует спектральные расстояния как основу, но классифицирует пикселы в несколько приемов (итераций), переопределяя критерии для каждого класса и классифицируя снова таким образом, что спектральные расстояния составляющих исходных данных постепенно уточняются. Также он пересчитывает статистику.

Метод ISODATA использует минимальное спектральное расстояние, чтобы определить соответствующий кластер для каждого пиксела. Процесс начинается с назначения случайного (приближенного) среднего значения кластера и повторяется до тех пор, пока это значение не достигнет величины среднего для каждого кластера исходных данных.

Начальные средние значения кластеров распределяются равномерно вдоль центрального вектора спектрального пространства. Количество кластеров задается пользователем.

В течение первой итерации пространство равномерно разбивается на области, центром каждой из которых являются средние значения кластеров.

Пикселы анализируются с левого верхнего угла изображения к нижнему правому, блок за блоком. Вычисляется спектральное расстояние между пикселом и средним значением кластера. Пикселы назначаются в тот кластер, где это расстояние минимально.

При этом назначенные центры кластеров смещаются, т.к. их средние значения меняются в зависимости от преобладающих яркостей, попавших в них пикселов. Для того, чтобы определить расположение новых центров, производится второй пересчет.

В процессе второй итерации снова определяются минимальные спектральные расстояния между точками и новыми средними значениями кластеров. В результате этого пикселы снова перераспределяются.

Такие пересчеты повторяются до тех пор, пока все точки с 95%-й вероятностью не попадут в какой-либо кластер. Пользователь может сам задать максимальное количество итераций.