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.