Главная Случайная страница


Полезное:

Как сделать разговор полезным и приятным Как сделать объемную звезду своими руками Как сделать то, что делать не хочется? Как сделать погремушку Как сделать так чтобы женщины сами знакомились с вами Как сделать идею коммерческой Как сделать хорошую растяжку ног? Как сделать наш разум здоровым? Как сделать, чтобы люди обманывали меньше Вопрос 4. Как сделать так, чтобы вас уважали и ценили? Как сделать лучше себе и другим людям Как сделать свидание интересным?


Категории:

АрхитектураАстрономияБиологияГеографияГеологияИнформатикаИскусствоИсторияКулинарияКультураМаркетингМатематикаМедицинаМенеджментОхрана трудаПравоПроизводствоПсихологияРелигияСоциологияСпортТехникаФизикаФилософияХимияЭкологияЭкономикаЭлектроника






ВОПРОС№1 Выделение компонентов ландшафтов на основе аэрокосмических материалов





По индексным и другим производным изображениям успешно выделяются определенные типы объектов, однако такие изображения не позволяют одновременно дешифрировать все многообразие объектов, отображаемое на тематических, например, ландшафтных картах. Эта задача компьютерного дешифрирования решается на основе более трудоемкого, но универсального подхода — классификации, под которой понимают автоматизированное подразделение всех пикселов снимка на группы, соответствующие разным объектам, обычно по спектральным признакам, т.е. на основе различий в значениях спектральной яркости.

Способы классификации зависят от того, как выделяют и ограничивают область значений яркости класса. Наиболее оптимальный способ классификации должен учитывать характер распределения значений яркости между классами и внутри каждого класса. Выделяют способы компьютерной классификации с обучением и без обучения. В способах классификации с обучением используются заранее определенные человеком эталонные значения спектральной яркости объектов. В интерактивном задании этих значений и состоит обучение. В процессе классификации значения яркости текущего пиксела сравниваются с эталонными и пиксел относится в наиболее подходящий класс объектов. Качество обучения можно оценить по правильности классификации эталонных участков — в этом заключается контроль.

Результатом работы алгоритмов с обучением является так называемая карта классификации — изображение, на котором пикселам вместо исходных значений яркости приданы значения классов объектов. Карта классификации имеет заранее определенную легенду. Алгоритмы с обучением используют, когда имеются достоверные наземные данные, не очень много классов объектов (обычно до 30) и они четко различаются на снимке.

В способах классификации без обучения вначале проводится автоматическое разделение пикселов на группы. Исходная информация, задаваемая дешифровщиком, минимальна: количество классов, которые нужно получить; насколько сильно они должны различаться по значениям яркости между собой; параметры, определяющие длительность классификации. На первом этапе изображение разделяется на массивы сходных по спектральным характеристикам пикселов — кластеры. Затем дешифровщик анализирует характеристики кластеров, сопоставляет их с характеристиками реальных географических объектов и определяет к каким объектам относится кластер.

Способы классификации с обучением и без обучения взаимно дополняют друг друга и часто их сочетают в той или иной последовательности в рамках гибридной классификации.

Для выделения объектов по значениям спектральной яркости используют различные способы.

Способ параллелепипеда для классификации четко различающихся объектов применяют, когда значения спектральной яркости разных объектов практически не перекрываются, а классов объектов немного. При классификации в пространстве спектральных признаков выделяются области в форме параллелепипедов, ограничивающих значения яркости объектов данного класса. Граничные значения яркости определяют визуально по двумерным графикам спектральных признаков. Затем значения спектральных признаков в каждом пикселе сравниваются с граничными для каждого класса. Если пиксел по своим значениям яркости попадает в один из выделенных диапазонов, его относят к соответствующему классу. Если значения яркости пиксела не попали ни в один диапазон, его относят к неклассифицированным объектам. Если значения яркости попадают в несколько диапазонов, возможно несколько вариантов классификации объекта.

Этот способ часто применяют в сочетании с более сложными, чтобы быстро отделить объекты, не пересекающиеся по диапазонам характерных значений яркости с другими, а уже затем обрабатывать оставшиеся участки с помощью более сложных способов. Например, по сочетанию значений яркости в красной и ближней инфракрасной зоне снимка можно отделить растительность от открытых почв перед компьютерным дешифрированием типов растительности.

Способ минимального расстояния для классификации объектов с похожими спектральными признаками используют, когда спектральные признаки разных классов довольно похожи и диапазоны значений их яркости перекрываются. Идея способа в том, что предварительно определенные средние значения яркости классов служат как бы центрами гравитации, к которым притягиваются пикселы с наиболее близкими значениями яркости. Близость по яркости рассчитывается совокупно по всем спектральным зонам.

В результате классификации пространство спектральных признаков разбивается на полигональные области, соответствующие классам. Неклассифицированных пикселов при использовании данного способа не остается. Поэтому он наиболее применим для определения непрерывно и плавно меняющихся характеристик, например, уровня повреждения лесной растительности промышленными выбросами. Способ является параметрическим. Скорость вычислений ниже, чем в способе параллелепипеда, но выше, чем в более сложных способах, использующих большее количество параметров.

Способ максимального правдоподобия dot-классификации с учетом спектрального образа объектов предполагает нормальное распределение значений яркости в пределах каждого класса во всех спектральных зонах и использует ковариации между значениями спектральной яркости.

При классификации удовлетворяется условие максимальной вероятности отнесения пиксела к данному классу (максимального правдоподобия) — отсюда название способа. Поскольку этот способ применяется в наиболее сложных случаях, когда значения яркости разных классов весьма близки, эталонные участки выбирают особенно тщательно, контролируя распределение значений яркости в пределах класса по гистограммам. Это распределение должно быть близким к нормальному или, как минимум, одномодальным с резко выраженным пиком. По эталонным участкам для каждого класса рассчитываются минимальные, максимальные и средние значения спектральных яркостей и матрица ковариации, характеризующая взаимосвязи между значениями яркости класса в разных спектральных зонах. С учетом всех этих параметров вычисляют особое спектральное расстояние, называемое расстоянием Махаланобиса.

Пиксел относится к тому классу, расстояние Махаланобиса до эталонных средних значений которого минимально. Если значения яркости пикселов вообще не соответствуют эталонным диапазонам яркости классов или расстояния Махаланобиса для них больше заданного, то их оставляют неклассифицированными. Это позволяет оценить, какой процент площади снимка не определяется спектральными признаками, полученными по эталонным участкам.

Есть усовершенствованный вариант способа, основанный на так называемом правиле Байсса, которое позволяет дополнительно учитывать информацию об относительной площади снимка, занимаемой каким-то классом.

Оба варианта способа используются для картографирования большого количества разнородных типов объектов, имеющих различную площадь и характер размещения, например, равнинного и горного растительного покрова в районах промышленного воздействия. Для этого параметрического способа классификации требуется наибольший объем вычислений, и он самый медленный из уже перечисленных.

Date: 2016-06-07; view: 373; Нарушение авторских прав; Помощь в написании работы --> СЮДА...



mydocx.ru - 2015-2024 year. (0.006 sec.) Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав - Пожаловаться на публикацию