6.1.3 Классификация объектов по снимкам

Для одновременного дешифрирования всего многообразия объектов, отобразившихся на снимке, в компьютерном дешифрировании цифровых снимков применяют трудоёмкий, но универсальный подход – классификацию, под которой понимают автоматизированное подразделение всех пикселов снимка на группы, соотвествующие реальным объектам (классы), обычно по спектральным признакам, то есть на основе различий в значениях спектральной яркости.

По характеру реализации выделяют способы классификации с обучением (контролируемой) и без обучения (неконтролируемой).

В способах классификации с обучением используются заранее определённые человеком эталонные значения спектральной яркости объектов. В интерактивном задании этих значений и состоит обучение. В процессе классификации значения яркости текущего пиксела сравниваются с эталонными и пиксел относится в наиболее подходящий класс объектов. Качество обучения можно оценить по правильности классификации эталонных участков – в этом заключается контроль. Результатом алгоритмов с обучением является так называемая карта классификации – изображение, на котором пикселам вместо исходных значений яркости приданы значения классов объектов. Карта классификации имеет заранее определённую легенду. Алгоритмы с обучением используют, когда имеются достоверные наземные данные, не очень много классов объектов (обычно до 30) и они чётко различаются на снимке.

В способах классификации без обучения (кластеризации) вначале проводят автоматическое разделение пикселов на группы. Исходная информация, задаваемая дешифровщиком, минимально: количество классов, которые нужно получить; насколько сильно они должны различаться по значениям яркости между собой; параметры, определяющие длительность классификации. На первом этапе изображение разделяется на массивы сходных по спектральным характеристикам пикселов – кластеры. Затем дешифровщик анализирует характеристики кластеров, сопоставляет их с характеристиками реальных географических объектов и определяет, к каким объектам относится кластер.

Полученная карта классификации более объективно отражает близкие по значениям дешифровочных признаков группы объектов, чем при классификации с обучением, поскольку кластеры определяются автоматически. Но её легенда, первоначально не указывающая объективного содержания кластеров, даже после определения объектов дешифровщиком обычно требуются дальнейшие редактирования (объединения или разбиения классов). Одни и те же объекты могут попасть в различные кластеры, например из-за условий освещения (горные леса на склонах разной экспозиции), а разные объекты – оказаться в одном кластере из-за одинаковой яркости (скальные участки и бетонное покрытие дорог). В первом случае необходимо объединить кластеры в единый класс, а во-втором – привлечь дополнительные дешифровочные признаки для различения объектов.

Способы классификации с обучением и без обучения взаимно дополняют друг друга, и часто их сочетают в той или иной последовательности в рамках гибридной классификации.

Среди основных способов классификации с обучением выделяют:

– способ параллелепипедов: применяется, когда значения спектральной яркости различных объектов практически не перекрываются, а классов объектов немного. При классификации в пространстве спектральных признаков выделяются области в форме параллелепипеда (в двухмерном пространстве – прямоугольника). Пикселы, попавшие в тот или иной параллелепипед относятся к соотвествующему классу объектов;

– способ минимального расстояния: применяется для классификации объектов с похожими спектральными признаками, то есть когда значения спектральной яркости различных объектов перекрываются. Предварительно определяются средние значения яркости классов (объектов), которые служат как бы центрами гравитации, к которым притягиваются пикселы с наиболее близкими значениями яркости. Близость по яркости рассчитывается совокупно по всем спектральным зонам. Пиксел относят в тот класс, расстояние до совокупности средних значений яркости которого оказалось минимальным;

– способ максимального правдоподобия: применяют в наиболее сложных случаях, когда значения яркости разных классов весьма близки. В этом случае моделируют области, занимаемые классами в двумерном пространстве спектральных признаков, как эллипсы, ориентированные в направлении наибольшего разброса значений и с центром в точке со средними значениями признаков для данного объекта. Цем ближе значение яркости определённого пиксела к центру определённого эллипса, тем выше вероятность принадлежности пиксела к определённому классу, поэтому пиксел относят к тому классу, принадлежность к которому имеет максимальную вероятность (максимальное правдоподобие).

Среди основных способов классификации без обучения (кластеризации) выделяют:

– способ быстрого выделения кластеров: применяется для быстрого разделения многозонального снимка на пространственно и спектрально однородные области (кластеры). Центр (среднее значение) первого кластера задаётся значениями яркости первого пиксела кластеризуемого изображения. Далее всё изображени последовательно анализируется пиксел за пикселом по строкам и столбцам и при необходимости образуются новые кластеры (согласно предварительно заданному порогу яркости для одного кластера). Если этот порог превышается каким-либо пикселом, то он становится центром второго кластера. После образования второго кластера все последующие пикселы сравниваются уже с двумя наборами средних значений, после третьего – с тремя и т. д. После обработки всего снимка получают предварительную карту кластеризации, в легенде которой указаны порядковые номера кластеров. Далее дешифровщик определяет соотвествие этих кластеров тематическим классам:

– самоорганизуюийся способ кластеризации ISODATA: используют для наиболее точной пошаговой обработки снимков. Заранее задаётся число кластеров n, которое необходимо получить. Затем всё пространство спектральных признаков делят на n равных диапазонов и назначают средние значения кластеров в центре каждой из образованных областей. Каждый пиксел относят в определённую область по методу минимального расстояния. Потом рассчитывают реальные средние значения спектральных признаком по полученным кластерам и уточняют границы кластеров, распределяют пикселы уже по уточнённым кластерам. По уточнённым кластерам рассчитывают новые средние значения, снова уточняют границы и так далее. Эту процедуру затем проделывают до тех пор, пока пикселы не перестанут переходить из одного кластера в другой. Или (если этого не произойдёт) пока не будет достигнут лимит итераций. Способ ISODATA требует значительных вычислительных ресурсов. Например, кластеризация 6-зонального снимка общим объёмом 100 Мб на 50 классов может идти на компьютере с частотой процессора 400 МГц около 1 часа.