Неконтролируемая классификация

+7.2 Неконтролируемая/автономная классификация/классификация без обучения.

При классификации без обучения используются статистические методы чтобы сгруппировать n-мерные данные (n-количество каналов съемочной системы) в их естественные спектральные классы. Один из самых распространенных методов – сегментация – это преобразование полутоновых или цветных изображений в изображения, имеющие меньшее число тонов или цветов, чем исходное. Целью сегментации является выделение областей (сегментов) однородных в каком-либо заданном смысле.

Часто такие области называются кластерами, а сам анализ – кластерным.

Алгоритм кластеризации производит спектральный анализ исходного многозонального изображения и пересчитывает его в одноканальное.

Алгоритмы кластеризации, пример: K-Means; Isodata;

Каналы àn1 ^n2; некая область – область значений.

Для алгоритма K-Means требуется, чтобы оператор указал количество классов или кластеров, на которые будет поделено изображение, или которые будут выделены из изображения. Алгоритм кластеризации произвольно определяет местонахождение центров кластеров, однако они должны находиться на максимально больших расстояниях друг от друга. Основная задача, которую решает данный алгоритм – определение положения кластеров, причём они должны быть различны настолько, насколько это возможно.

Выбор числа K кластеров может базироваться на результатах предшествующих исследований, теоретических соображениях или интуиции.

на рисунке делим область на K частей, центры будут максимально отделены

Алгоритм Isodata. Также мы должны задать K.

Перед первой итерацией рассчитываются статистические параметры распределения яркостей в каждой спектральной зоне (минимальное, максимальное и среднее значение), а далее всё пространство разбивается на n равных частей и назначают среднее значение кластеров в центре каждой из образовавшихся областей, затем определяют расстояние в пикселях в спектральном пространстве признаков и относят его к ближайшему центру.

На рисунке: берем диагональ и делим на равные части, в центре каждой из частей назначает центр кластера. после пересчета центры изменятся.

пороговая сегментация основана на понятии «расстояния», в которое входят значения яркости i,j-го пикселя изображения в различных каналах. После первой итерации рассчитывают реальные средние значения спектральных признаков и на второй итерации выполняется повторная кластеризация по минимуму расстояния от средних значений.

Итерации повторяют до тех пор, пока границы кластеров не стабилизируются, т.е. пиксели не станут переходить из кластера в кластер.

Чаще всего задают параметр «Порог сходимости» и ставят его от 95 до 99% - как только определенный процент пикселей «определится» со своим кластером, итерации заканчиваются.

Поэтому часто для ограничения времени обработки указывают предельное количество итераций (на практике количество итераций обычно ставят 25).

Поиск по сайту: