Методы автоматиз-ной классификации спутниковых изображений.

Ведущие поставщики программного обеспечения для обработки ДДЗ десятилетиями развивали инструменты классификации растров, переводящие спектральную информацию в тематическую и создающие тематические изображения, в которых значение пиксела отображает его принадлежность к определённому классуамериканская компания Visual Learning Systems выпустила на рынок программные продукты Feature Analyst и Lidar Analyst, удачно интегрировав их в оболочки популярных программ для обработки ДДЗ и ГИС: ArcGIS, ERDAS IMAGINE, SOCET SET и GeoMedia. В 2008 году два других ключевых игрока рынка продемонстрировали свои инструменты для автоматизированного дешифрирования данных спутниковой съёмки: это корпорация ERDAS, выпустившая модуль для объектно-ориентированного дешифрирования – Imagine Objective для ERDAS IMAGINE 9.3, и компания ITT, разработавшая первую версию модуля ENVI Fx 4.5.

Все перечисленные программные продукты выполняют сходные задачи по автоматизированному дешифрированию определённых пользователем объектов по космическим снимкам и получению готовых к использованию в ГИС слоёв геопространственных данных. Благодаря высокой степени автоматизации процессов в вышеперечисленных программных продуктах (это особенно касается Feature Analyst и Imagine Objective), они могут быть использованы как неотъемлемая часть процесса создания и обновления карт с использованием ДДЗ, помогая достичь высокой оперативности в получении итоговой информации в форме цифрового картографического материала.

Модуль Feature Analyst для ERDAS IMAGINE 9.0 и ArcGIS 9.1 был выпущен в 2001 году компанией VLS, которая была впоследствии приобретена компанией Overwatch Systems. Первоначально, модуль был разработан как специальный продукт для использования специалистами армии США, однако затем он был выведен на рынок, как готовое программное решение в среде наиболее популярного программного продукта для обработки ДДЗ – ERDAS IMAGINE, и наиболее распространённой ГИС в мире – ArcGIS компании ESRI.

Модуль Feature Analyst содержит набор инструментов, позволяющих автоматизировать процесс выделения двухмерных и трёхмерных объектов, таких как дороги, здания, водные объекты, растительность, проницаемые/непроницаемые покровы, а также разделённые по типу землепользования объекты (рис. 1). Алгоритм классификации использует как множественные пространственные признаки (размер, форма, текстура, структура, пространственные связи, тени и пр.), так и спектральные особенности стереоскопических или моноскопических изображений. На выходе пользователь получает векторный файл в формате ESRI Shape, который он может тут же использовать в ГИС, так как Feature Analyst полностью интегрирован в программную среду ArcGIS (рис. 2). Можно отметить несколько ключевых особенностей Feature Analyst, таких как: инструмент Learning Explorer для объектно-ориентированного выделения информации с использованием алгоритмов обучения, система иерархического обучения для выделения определённых типов объектов на снимках территорий с высокой степенью неоднородности ландшафтов, технология Software Agent, включающая возможность выделять как мелкие объекты (автомобили, самолёты), так и крупные объекты (границы типов землепользования, ареалы распространения растений), а также группу алгоритмов для пост-классификационного редактирования. Эти инструменты и алгоритмы дают возможность «очистить» результаты классификации еще до её начала, на стадии обучения алгоритма. Пользователь также получает доступ к инструментам оценки изменений объектов, при условии использования в анализе разновременных снимков на одну и ту же территорию. Не менее интересны инструменты выделения трёхмерных объектов, позволяющие осуществить выделение объектов на основе данных лазерного сканирования или ЦМР, и группа инструментов классификации, которые позволяют проводить классификацию в режиме пакетной обработки.

Feature Analyst использовался специалистами Национального Агентства по Картографии и Дистанционному зондированию США – NIMA (National Imagery and Mapping Agency) в рамках длительной программы тестирования, целью которой было выявить наилучшие алгоритмы для автоматизированной классификации ДДЗ и подготовки данных для ГИС. По итогам этой программы данный модуль показал отличные результаты по скорости, точности и автоматизации процесса классификации, что было зафиксировано экспертами NIMA [1]. Из других опубликованных работ с использованием автоматизированной классификации Feature Analyst можно выделить проекты по созданию тематических карт растительности на основе данных Landsat 5 и 7, которые проводились в Университете Монтаны, использование Feature Analyst специалистами подразделения лесной службы США (USDA-Forest Service) для картографирования лесов с использованием снимков высокого разрешения, и многие другие исследования.

50.Контролируемая (управляемая) классификация основывается на использовании для разделения пространства признаков на классы характеристик распознаваемых классов, получаемых с помощью специально подобранных эталонов – так называемой обучающей выборки. Соответственно контролируемая классификация требует предварительного формирования набора эталонов соответствующих образам или распознаваемым типам объектов земной поверхности. Эталоны могут быть идентифицированы с помощью аэрофотоснимков, данных наземных обследований или существующих карт. Достижение или не достижение требуемого уровня точности последующей классификации может служить основанием для дополнительного обучения системы, изменения множества распознаваемых классов или принятия результатов классификации. Метод параллелепипеда основан на сравнении значений пикселов изображения с заданными нижними и верхними пределами. В качестве пределов могут выступать, например, рассчитываемые на основе средних значений и стандартных отклонений сигнатур минимальные и максимальные значения в каждом спектральном канале. После того, как значения нижнего и верхнего пределов признаков каждой сигнатуры определены, пиксел считается принадлежащим заданному классу в случае, если его значение попадает в интервал между ними. В случаях, когда пиксел попадает в область перекрытия двух или более полигонов, пользователь должен определить самостоятельно, к какому классу они будут отнесены или отказаться от их классификации. В последнем случае пикселы попадут в разряд не классифицированных. Метод минимального расстояния основан на вычислении евклидовых расстояний в пространстве признаков между вектором значений произвольного пиксела и векторами средних значений для каждой сигнатуры. Пиксел считается принадлежащим классу, расстояние от которого до среднего значения сигнатуры оказывается минимальным. Метод максимального правдоподобия (иначе называемый классификацией по Байесу) основан на вычислении вероятности принадлежности пиксела классу в предположении нормального распределения значений признаков с учетом априорной вероятности встречаемости каждого класса, задаваемой весовыми факторами. В случае, если пользователю не известны априорные вероятности классов, рекомендуется задание одинаковых весовых факторов для всех классов, принимаемых равных 1.0. Пиксел считается относящимся к классу, для которого значение правдоподобия принимает минимальное значение.

51. Неконтролируемая (неуправляемая) классификация относится к разряду более автоматических и менее зависящих от управления со стороны пользователя процедур. Обучения здесь не производится. Пользователь лишь определяет некоторые параметры (количество выделяемых классов-кластеров, кол-во итераций и др.), используемые затем системой для выявления статистически различимых групп объектов (пикселов, участков, выделов) на основе анализа самих данных. Результатом такой классификации является набор автоматически сформированных классов, называемых обычно кластерами, которые образуются объектами со сходными значениями признаков распознавания.Как управляемая, так и неуправляемая классификации изображений основаны на использовании наборов спектральных, текстурных, геометрических и др. характеристик объектов называемых сигнатурами. Сигнатуры при этом могут быть параметрическими и не параметрическими. Параметрические сигнатуры основаны на статистических параметрах объектов, относящихся к обучающей выборке. Например, средняя яркость, дисперсия и др. Непараметрические сигнатуры представляют собой описания классов в пространстве признаков, как правило, в виде n-мерных гистограмм значений параметров объектов (пикселов, выделов и т.п.), принадлежащих каждому классу (n равно количеству параметров). Непараметрические классификаторы используют набор непараметрических сигнатур для отнесения пикселов или участков к классам, основываясь на расположении их сигнатур внутри или за пределами соответствующих областей в пространстве признаков изображения. Наиболее широко известен алгоритм ISODATA. Указанный 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 пикселов, соответствующих каждому из них. Процесс повторяется до тех пор, пока изменения между итерациями не станут минимальными. Иерархические схемы кластеризации. При их использовании обычно каждый минимальный объект кластеризации (чаще всего - пиксел) рассматривается как отдельный кластер. Затем пары ближайших, наиболее похожих кластеров, объединяются; этот шаг повторяется вплоть до получения единственного кластера. Использование этого метода предполагает, что некоторым образом определен способ измерения расстояния между кластерами.

Таким образом, задача классификации состоит на первом этапе в оптимальном разбиении пространства признаков на области решения таким образом, чтобы каждая область относилась к одному из различимых классов, а затем в создании классификатора, позволяющего относить любой произвольный пиксел изображения к классу, в область решения которого он попадает

 

???52.Методы оценки результатов автоматизированного дешифрирования.

Метод цветового синтеза разновременных изображений. Относится к наиболее простым и предполагает формирование на экране компьютера производного изображения, образованного путем цветового синтеза снимков, полученных в две различные даты. Это обеспечивает визуализацию изображения различными цветами не изменившихся и изменившихся участков, что проявляется в характере величин значений яркости. При правильном выборе спектрального диапазона съемки, можно добиться возможности тематической интерпретации изменений спектральной яркости между двумя разновременными изображениями состояния лесорастительного покрова. Этот простой метод имеет весьма существенные ограничения, поскольку обеспечивает получение только визуального результата без возможностей последующей количественной оценки яркостных признаков. Вместе с тем он может эффективно использоваться для предварительного анализа изменений в сочетании с иными, ориентированными на количественные оценки методами.

Метод яркостных разностей разновременных изображений. Реализует количественный подход, основанный на вычислении разностей значений яркости разновременных изображений, полученных в одинаковых спектральных диапазонах. Результирующие изображения позволяют выявлять участки изменений, как в положительных, так и отрицательных значениях яркостных разностей, а их знак и величина могут быть положены в основу содержательной интерпретации вида и величины трансформации лесного покрова. Последующее применение к разностному изображению пороговых процедур позволяет формировать тематические карты изменений в лесах.

К особенностям данного подхода относится необходимость выполнения процедуры взаимной нормализации разновременных изображений, основанной на итеративном применении линейных регрессионных уравнений связи значений яркости с последовательным исключением пикселов, относящихся к участкам вероятных изменений.

Сопоставление результатов независимой классификации разновременных изображений. Этот метод имеет существенное преимущество  он не накладывает жестких ограничений на идентичность условий съемки разновременных космических изображений. При этом необходимо обеспечить сопоставимость классификации разновременных изображений и общность множества тематических классов.

Вычисление главных компонент по разновременным изображениям. Применение метода к двум разновременным многоспектральным изображениям позволяет получать на основе линейных комбинаций исходных снимков производные изображения главных компонент, каждому из которых могут соответствовать определенные виды изменений на местности. Основная трудность применения метода состоит в том, чтобы выбрать комбинацию спектральных каналов, позволяющую добиться соответствия различных видов изменений различным главным компонентам.