РАДИОМЕТРИЧЕСКИЕ СВОЙСТВА СНИМКОВ И ИХ КОМПЬЮТЕРНАЯ ОБРАБОТКА.

Презентация:



Advertisements
Похожие презентации
РАДИОМЕТРИЧЕСКИЕ СВОЙСТВА СНИМКОВ И ИХ КОМПЬЮТЕРНАЯ ОБРАБОТКА.
Advertisements

Тема исследование: Распознавание букв на изображении Группа: 10510/1 Киселев Павел.
4 разрешения в ДЗЗ. В наше время на орбитах вокруг Земли вращаются одновременно сотни различных спутников, осуществляющих наблюдение и съемку ее поверхности.
Т ЕМА 3. «С ВОДКА И ГРУППИРОВКА СТАТИСТИЧЕСКИХ ДАННЫХ »
Лекция 11. Методы и алгоритмы анализа структуры многомерных данных. Кластерный анализ. Кластерный анализ предназначен для разбиения множества объектов.
Кластеризация Кластеризация – это автоматическое разбиение элементов некоторого множества (объекты, данные) на группы (кластеры) по принципу схожести.
ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ МОДЕЛИРОВАНИЯ Классификационные признаки моделирования Эффективность моделирования систем.
ОСНОВНЫЕ ПОНЯТИЯ ТЕОРИИ МОДЕЛИРОВАНИЯ Классификационные признаки моделирования Эффективность моделирования систем.
Методы преобразования аэрокосмического изображения.
Дистанционное зондирование Земли Раздел 2. Дешифрирование и обработка цифровых снимков.
Теория систем и системный анализ Тема5 «Оценка сложных систем. Основные типы шкал измерения »
ПОДГОТОВИЛА УЧЕНИЦА 9-В КЛАССА МБОУ-СОШ 4 ФАТЕЕВА МАРИЯ Моделирование как метод познания мира.
Пермский национальный исследовательский политехнический университет Кафедра охраны окружающей среды Ольга Ивенских магистрант 2-го курса кафедры ООС, ПНИПУ.
Географические информационные системы (ГИС). Актуальность ГИС Где это происходит? Как распределено учащееся население по районам? На каких маршрутных.
Моделирование и формализация. Модель - это упрощенное представление о реальном объекте, процессе или явлении любой аналог, образ (изображение, формула,
Лекция 8. Основы оценки сложных систем Основные вопросы темы: 1. Основные типы шкал измерения 2. Обработка характеристик, измеренных в разных шкалах Литература:
Экономическая статистика Преподаватель – Грабовский А.Е.
Анализ связи между атрибутивными признаками. Взаимосвязь между атрибутивными признаками анализируют­ся посредством таблиц взаимной сопряженности. Они.
Лекция Маркетинговые методы изучения информационных потребностей.
ОЦЕНКА ПОГРЕШНОСТИ КОСВЕННЫХ ИЗМЕРЕНИЙ 1. Способы оценки погрешности косвенных измерений 2. Порядок оценки погрешности косвенных измерений.
Транксрипт:

РАДИОМЕТРИЧЕСКИЕ СВОЙСТВА СНИМКОВ И ИХ КОМПЬЮТЕРНАЯ ОБРАБОТКА

Наиболее сложным этапом компьютерной обработки изображения является автоматизированное дешифрирование, т.е. выделение границ объектов или сегментация. Дешифровщику при работе со снимками постоянно приходится, основываясь на дешифровочных признаках опознавать и выделять однородные объекты. При компьютерном дешифрировании космических снимков одним из распространенных является подход на основе спектральных признаков. Он базируется на том, что яркость хроматических объектов (имеющих определенную окраску) в разных спектральных зонах не одинаково и характеризуется коэффициентом спектральной яркости. Таким образом, каждый элемент растра – пиксел соответствует яркости объекта для определенной области электромагнитного спектра. Каждый пиксел растра записывается как числовой элемент матрицы в файле данных.

На этапе сегментации основная задача заключается в дифференциации изображения на области (сегменты) по определенному критерию. В качестве критерия могут служить текстура и тон изображения. После того как изображение будет разбито на однородные области (контуры), приступают к их классификации. 1. В настоящее время разработаны десятки алгоритмов машинного дешифрирования, подразделяемые на алгоритмы с обучением и без обучения, которые осуществляют, соответственно, контролируемую и неконтролируемую классификации.

При классификации изображений с обучением пикселы с известными характеристиками для определенных объектов являются основными для классификации всех пикселей изображения. Однако иногда отдельные объекты имеют близкую спектральную отражательную способность, а значит при классификации могут объединяться в одни классы. В данном случае их дифференциация проводится специалистом. Классификацию с обучением целесообразно использовать тогда, когда необходимо идентифицировать с более высокой точностью, чем позволяет классификация без обучения. Процесс классификации с обучением разделен на две части: обучение и классификацию. Обучение - процесс определения значений признаков (извлекаемых из обучающих образцов), согласно которым идентифицируются классы пикселей. Чтобы выбрать надежные обучающие образцы требуется хорошие знание об изучаемом объекте. Местоположение и характеристики изучаемых объектов могут быть получены в результате полевых исследований или с тематических карт. Для обеспечения максимального соответствия желательно чтобы они были собраны в том же промежутке времени, что и полученное изображение.

Каждый пиксел изображения классифицируется отдельно согласно подобию (в соответствии с некоторым решающим правилом) его значений признаков и средних значений признаков классов. Решающее правило – математический алгоритм, который, используя значения признаков выполняет фактическую сортировку пикселей по классам. Различают параметрические и непараметрические решающие правила. Параметрическое решающее правило применяется для классов с параметрическими признаками т.е. признаками, значение которых распределены по нормальному признаку. Каждый пиксел изображения назначается на класс, так как параметрическое пространство решения непрерывно. К параметрическим относятся следующие решающие правила: минимального расстояния, расстояния Махалонобиса, максимального правдоподобия, Байеса. Непараметрическое решающее правило, применяется для классов с непараметрическими признаками, т.е. признаками значение которых не распределены по нормальному закону. Если значения признаков пикселя изображение находится в пределах границ какого-либо класса (заданного на изображении пространства признаков), то пиксел назначается на этот класс. К непараметрическим относятся решающие правила параллелепипеда и пространство признаков.

Используются и алгоритмы классификации без обучения – кластеризации, позволяющие формально расчленить изображение, на отдельные классы не используя обучающих данных. В этом случае элементы изображения объединяются в группы – кластеры по формальным признакам без учета их содержательного значения. Выделенные автоматически кластеры в результате группировки пикселов дешифровщик соотносит их с определенными объектами. Например, при составлении почвенной карты, с распределением почв по степени увлажнения. В результате классификации сегментов может быть получена тематическая карта, которая может использоваться в формате одной из ГИС и позволяет проводить дальнейшую обработку результатов с ее помощью. Например, получение таких количественных характеристик как определение площади контуров и суммарной площади объектов определенного типа; протяженности границ контуров и т.д.

В классификации изображения без обучения отсутствует дополнительная информация, используемая при дифференциации пикселей на классы. Кроме того, отсутствуют специфические известные классы, и даже их количество неизвестно. В данной ситуации смысл классификации без обучения заключается в разделении пикселов изображения на группы (кластеры), название, спектральные характеристики и даже само существование которых предварительно неизвестны. Критерием отнесения пикселов к тому или иному кластеру служит схожесть спектральных характеристик. В задачу дешифровщика входит последующие определение соответствия выделенных кластеров классам земной поверхности, которая выполняется с использованием дополнительной информации – полевых исследований, тематических карт. Например, при дешифрировании почв, их спектральная яркость четко коррелирует с гранулометрическим составом почв и содержание в них гумуса и влаги.

Классификация без обучения более автоматизирована и требует минимальных исходных данных для выделения кластеров в соответствии с их различиями в пространстве признаков. Классификация без обучения позволяет выделять много кластеров. При этом целесообразно выделять несколько большее число кластеров, чем количество подлежащих идентификации природных объектов или явлений. Затем можно провести идентификацию и объединение кластеров со схожими средними значениями признаков. Для идентификации кластеров результаты классификации без обучения сравниваются с любой доступной информацией об изучаемом объекте на изображении. Существует большое количество алгоритмов, позволяющих проводить кластеризацию.