Классификация изображения

Под классификацией понимают процедуру, позволяющую вынести решение о принадлежности данного изображения или его фрагмента к одному из тематических классов. Основанием для этого служит некоторая совокупность критериев близости значений свойственных им признаков. В качестве минимальных объектов при классификации изображения используются минимальные элементы – пикселы. Классификация базируется на теории распознавания образов, основанной на извлечении и анализе статистик по спектральным, текстурным или геометрическим свойствам объектов. При классификации формируется виртуальное n -мерное пространство признаков, которое на основе заложенных в алгоритм классификации математических критериев разделяется на замкнутые области, каждая из которых приписывается тому или иному тематическому классу. На основании этого разделения формируется новое изображение, представляющее собой растровую карту пространственного распределения участков, отнесенных классификатором к анализируемым классам.

Классификация изображений предусматривает применение байесовские процедуры, метода максимального правдоподобия, метода параллелепипеда метода минимальных расстояний и др. Возможны вычисление вегетационного индекса и анализ главных компонентов, кластерный анализ.

Классификация - это тематическая обработка, которая позволяет производить автоматизированное разбиение снимков на однородные по какому-либо критерию области (классы объектов). Получающееся при этом изображение называется тематической картой. Поскольку обычно выделяют содержательно интерпретируемые классы объектов, то классификацию можно рассматривать как процедуру автоматизированного дешифрирования ДДЗ. Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, спектральных или временных. К простейшим полезным пространственным характеристикам относятся: текстура, контекст, форма и структурные соотношения. Под временными характеристиками следует понимать сезонные изменения земных покровов (особенно растительности), которые могут служить их индикаторами. Однако принято считать, что основную информацию о природе объектов на земной поверхности содержат их спектральные характеристики. Поэтому в большинстве известных алгоритмов классификации используются спектральные образы (сигнатуры) типов покрытий [1].

Различают два основных методологических подхода к проведению рассматриваемой процедуры: классификацию с обучением и автоматическую классификацию. В случае классификации с обучением, задача состоит в обнаружении на изображении объектов уже известных типов, что требует некоторых предварительных знаний об исследуемом участке земной поверхности. На первом шаге процедуры необходимо интерактивно выбрать на изображении эталонные участки являющиеся характерными (типичными) представителями выделяемых классов объектов. Этап обучения заключается фактически в расчете и анализе некоторого набора статистических характеристик распределения значений пикселов, составляющих эти полигоны. Однако большей популярностью пользуется другой вид классификации, который не требует дополнительной наземной информации и глубокого знания дистанционных методов обработки. Методологической основой автоматической классификации является кластерный анализ, в ходе которого пытаются определить все встречаемые типы объектов при некотором уровне обобщения (выбранных критериях объединения, разделения или числа классов), а задача их интерпретации решается на втором этапе. Существуют алгоритмы сочетающие элементы классификаций с обучением и автоматической.

По способу отнесения отдельных элементов изображения к тому или иному классу объектов, различают жесткие и мягкие классификаторы. В случае жестких (традиционных) классификаторов, принимается строго определенное решение относительно принадлежности пикселов к некоторому классу. Мягкие же классификаторы оценивают вероятность, с которой анализируемый элемент изображения может принадлежать всем рассматриваемым классам покрытий (включая и неизвестные). Современные классификаторы позволяют также вводить элемент неопределенности на разных стадиях процесса, что допускает присутствие смешанных классов покрытий в каждом отдельном пикселе (субпиксельная классификация). Еще один сравнительно новый вид классификации связан с обработкой гиперспектральных данных. Такие данные поступают с экспериментальных систем ДЗ работающих с очень узкой шириной зон традиционного спектрального диапазона, что увеличивает количество спектральных каналов до десятков и даже сотен. В этом случае для автоматизированного выделения классов объектов покрытий используются библиотеки спектральных кривых различных земных материалов [1].

Часто возникает необходимость тематической корректировки результатов классификации, особенно автоматической, выполняемой фактически по информационным характеристикам объектов. Для этого используется целый набор процедур, называемый операциями после классификационной обработки: слияние классов, разделение классов, устранение мелких ложных объектов, сглаживание границ объектов и т.п.

Важным этапом в процессе классификации является оценка точности полученных изображений, которая может выполняться как по данным полевых измерений, так и путем сравнения с соответствующими тематическими картами.

Данная область обработки ДДЗ в настоящее время довольно интенсивно развивается: появляются новые классификаторы, основанные на последних достижениях в области моделирования искусственного интеллекта и других областях прикладной математики (например, нейронные сети).

Методы автоматической классификации, часто называемые кластерным анализом, основаны на анализе пространственных признаков, полученных по всем объектам изображения. Кластер - это однородный участок изображения, с точки зрения некоторого набора признаков (яркостных, геометрических, текстурных, физических/биофизических). Наиболее широко известен алгоритм кластерного анализа ISODATA, который относится к категории самоорганизующихся, поскольку требует минимальных априорных знаний для задания исходных параметров. Данный алгоритм использует критерий близости точек в пространстве признаков. Процесс начинается с задания числа выделяемых кластеров, имеющих произвольные средние значения. Последующая автоматическая итеративная процедура направлена на последовательное приближение начальных значений к центрам кластеров. После каждой итерации вычисляются новые центры кластеров с учетом расположения в пространстве признаков пикселей, соответствующих каждому из них. Процесс повторяется до тех пор, пока изменения между итерациями не будут минимальными [1].

Поиск по сайту: