Тикунов В. С. Геоинформатика. Классификация объектов

Скачать полную версию учебника (с рисунками, формулами, картами, схемами и таблицами) одним файлом в формате MS Office Word Скачать книгу

В основе автоматизированного дешифрирования снимков лежит классификация объектов (см. 2.2.2). При этом исходят из того, что каждому пикселу многозонального снимка соответствует набор значений спектральных признаков, или вектор в спектральном пространстве, размерность которого равна числу съемочных зон. Тогда процесс классификации сводится к распределению всех элементов растра по классам в соответствии с отражательной способностью (значением спектральной яркости) каждого объекта в одной или нескольких зонах спектра, например, типов растительности или категорий использования земель.
Трудности классификации связаны, прежде всего, с изменчивостью. Часто классификация бывает неопределенной, поскольку элементы растра могут принадлежать сразу нескольким классам — это так называемые «смешанные элементы». Но в процессе классификации неопределенность игнорируется, и каждый элемент помещается в один из классов. Правило классификации обычно формируют на основе признаков типичных объектов, принадлежность которых к данному классу заранее установлена.

Алгоритмы подразделяют на два типа: алгоритмы контролируемой и неконтролируемой классификации. При контролируемой классификации правила перехода от показателей спектральной яркости к классам объектов вырабатывают на «учебном» (тестовом, эталонном) участке, а затем автоматически применяют и на остальной части снимка. Эти алгоритмы также называют классификацией с обучением.

I. Контролируемую классификацию реализуют с помощью алгоритмов, использующих разные методы учета спектральных характеристик эталонных объектов:
дискриминантных функций, которые в простейшем случае представляют собой линии, разделяющие объекты на классы, если они не пересекаются в пространстве признаков;
минимальных расстояний, когда классифицируемые объекты относят к тому или иному классу, вычисляя евклидово расстояние в пространстве признаков между проверяемыми и эталонными пикселами и относя каждый пиксел к тому классу, до эталона которого это расстояние минимально (рис. 40);

Рис. 40. Метод минимального расстояния (доступно при скачивании полной версии книги)

параллелепипеда, когда в признаковом пространстве выделяют замкнутые прямоугольные области, границы которых задают на основе выбора характерных диапазонов по гистограммам распределения яркостей эталонных объектов в двух, трех или более зонах спектра; каждый пиксел снимка относят к тому классу, в чей параллелепипед он попадает по своим значениям яркости;
максимального правдоподобия, основанного на статистических оценках характеристик классов объектов. Этот алгоритм применяется наиболее часто. При его реализации для каждого дешифрируемого класса объектов нужно определить две функции условной вероятности, связанные формулой Байеса: Р(Х/Аi) — правдоподобие класса объектов Аi при данном векторе признаков X и P(Аi/X) — вероятность отнесения пикселов с их вектором признаков Х к классу А; [И. К. Лурье, А.Г.Косиков, 2003]. Первая функция отражает различия в яркостях объектов разных классов, и ее параметры находят путем вычисления статистических характеристик распределения яркостей пикселов в пределах эталонных объектов на снимке — построения обучающих выборок (рис. 41). Процедура классификации относит каждый пиксел с измеренным Х к тому объекту, для которого правдоподобие максимально, т.е., согласно байесову решающему правилу, нахождение объекта в заданной области признакового пространства статистически наиболее правдоподобно (отсюда и название «метод максимального правдоподобия»).

Рис. 41. Оценка выборок на основе построения эллипсов рассеяния: а — перекрывающиеся выборки; б — разделимые выборки (А, В, С и D — зоны исходного снимка; o — стандартное отклонение от средних значений 2-го класса — МА2 и МB2) (доступно при скачивании полной версии книги)

Априори предполагается, что распределение спектральных яркостей пикселов объекта на многозональном снимке подчинено нормальному закону. Тогда их распределение в пределах объекта образует многомерные «эллипсы рассеяния» равной вероятности, определяемые условием Р(Х/Аi) = const, средними значениями яркости и стандартного отклонения. В большинстве ГИС-пакетов, используемых для выполнения классификации, процедуру обучения осуществляют в интерактивном режиме. Дешифровщик опознает на экране монитора эталонные объекты, относящиеся к выделяемым классам; в пределах каждого объекта строят многоугольник (полигон обучающей выборки), полностью вписывающийся в изображение объекта на экране. Границы этих полигонов вводятся в специальную программу, которая вычисляет для каждого класса средние значения Mi и Ki по значениям яркости ni , пикселов, попавших в полигон. Такая процедура позволяет обеспечить соответствие измерений обучающих (эталонных) и проверяемых (классифицируемых) объектов.

II. Алгоритмы неконтролируемой классификации (без обучения) реализуют часто методы кластеризации (см. 2.2.2), основанные на так называемых пороговых процедурах. В них предполагается, что первоначальная информация о природных различиях объектов, зафиксированная в спектральных яркостях, достаточна для разделения классов и поэтому можно обойтись без эталонов.
В общем случае при пороговой классификации сравнивают значения яркости двух соседних пикселов снимка. Если их различие Формула (доступно при скачивании полной версии книги) превышает некоторую заранее заданную величину d (порог), то считается, что эти пикселы принадлежат разным объектам и между пикселами проходит разделяющая граница. При таком способе классификации точность обычно невысока, тем не менее при отсутствии априорной информации выполнение этой процедуры целесообразно. Наиболее известен алгоритм ISODATA, который используется во многих растровых ГИС-пакетах.
В результате создается карта кластеризации, а также массив спектральных координат центров кластеров с известным числом пикселов в каждом из них. Дешифровщик, используя карту кластеризации, а также дополнительную информацию, может оценить соответствие кластеров классам объектов и принять решение об их объединении в нужные тематические группы (выделы).
В состав программного обеспечения автоматизированной обработки аэрокосмических снимков обычно входит несколько алгоритмов классификаций. Применение того или иного алгоритма определяется наличием априорной информации, качеством самого снимка, решаемой задачей, опытом и интуицией дешифровщика.
Мониторинг и картографирование изменений в природе, хозяйстве и их взаимодействие связаны с составлением карт динамики. Компьютерная реализация этих методов направлена главным образом на обеспечение точного пространственного совмещения разновременных карт, аэро- и космических снимков для извлечения динамической информации.
Прежде всего необходимо определить классы динамических объектов и их временной интервал (сезон, год и т.п.). Приведение снимков (или карт и снимков) к геометрически идентичному виду осуществляют методами, описанными выше, стремясь к тому, чтобы среднеквадратическая ошибка трансформирования не превышала 0,5 пиксела.
Обеспечить спектральную идентичность снимков крайне трудно из-за разнообразия определяющих ее параметров. Сделать разновременные снимки максимально сравнимыми при условии, что сезонные различия минимальны, а облачность отсутствует, позволяет яркостная коррекция.

Подходящие алгоритмические процедуры выявления и картографирования изменений основаны на методах классификации и ГИС-технологиях оверлея. Для оценки точности полученных результатов строят «матрицы динамики» классов объектов, аналогичные матрицам классификации (см. табл. 2.1 в 2.1.4). Наиболее часто применяют следующие операции:
создание композиций разновременных снимков за два срока и выделение изменившихся и неизменившихся кластеров пикселов;
использование алгебры изображений — вычитание, синтез или вычисление отношений соответствующих зон (после их приведения к единой системе координат и размеру);
сопоставление результатов классификации разновременных снимков, полученных путем автоматизированного дешифрирования нужных объектов на геометрически совмещенных снимках;
применение бинарных масок — специально создаваемых изображений, содержащих только 0 и 1, которые используют для маскирования неизменившихся или не интересующих дешифровщика объектов, что позволяет выделить изменения;
использование карт как источников данных за первую дату, Когда результаты съемки сравнивают с картой, составленной на
более ранний срок; в этом случае карту сканируют, снимок трансформируют в проекцию карты, выполняют его классификацию, а далее для карты и классифицированного снимка применяют описанные выше операции;
ручное цифрование классов изменений по экрану — выделение контуров площадных объектов на разновременных картах классификации или на снимках высокого разрешения способом так называемого цифрования по растровой подложке с последующим совмещением полученных векторных карт на одной основе.

На рис. 22 цв. вкл. приведена карта динамики береговой линии Аральского моря, составленная с применением таких операций.
Развитие геоинформационных технологий ведет к попыткам разработать мониторинговые системы, работающие с минимальным участием человека. Они опираются на создание экспертных систем и баз знаний (см. 4.1).

Контрольные вопросы

1. Каковы структура и типы растровых данных, используемых в ГИС?
2. Какие основные процедуры используют при цифровой обработке снимков?
3. Какие сочетания зон создают изображение в натуральных цветах, псевдоцвете?
4. Что такое «яркостная коррекция»?
5. Каково назначение преобразования контраста?
6. Чем различаются координатная привязка и трансформирование снимков?
7. На чем основано компьютерное дешифрирование снимков?
8. Каковы основные различия контролируемой (с обучением) и неконтролируемой (без обучения) классификации?
9. Дайте характеристику различных методов классификации.
10. Каковы основные особенности методов, применяемых при изучении изменений объектов?

Скачать полную версию учебника (с рисунками, формулами, картами, схемами и таблицами) одним файлом в формате MS Office Word Скачать книгу