Контрольные вопросы.
1. Чем отличается географическая привязка от геометрической коррекции (ректификации)?
2. Чем вызвана необходимость пересчета значений пикселей при геометрической коррекции?
3. Что представляет собой матрица трансформирования? Как она рассчитывается?
4. Каким требованиям должны удовлетворять опорные точки при привязке изображения к карте? Каковы требования к расположению опорных точек?
5. Перечислите три основных метода «перевыборки» пикселей. В каких случаях целесообразно применять каждый из этих методов?
6. Как оценить качество трансформирования до и после выполнения этого процесса?
7. Классификация многозональных изображений. Терминология и математическая постановка задачи.
В отличие от визуально-интерактивных методов дешифрирования, алгоритмы автоматической классификации приписывают индекс определенного класса каждому отдельному пикселю, а не оконтуренной дешифровщиком области. Для этого нам необходимо задать признаки каждого класса, а также правило принятия решения, по которому мы сможем надежно отнести отдельно взятый пиксель к тому или иному классу. Описание некоторого объекта в виде набора признаков, по которым его можно отнести к определенному классу, называют образом этого объекта. Методология формирования описаний объектов и их выделения (или классификации) по таким описаниям называется распознаванием образов.
Единственной численной характеристикой пикселя на панхроматическом изображении является его значение яркости. Конечно, каким-то классам объектов земной поверхности можно сопоставить определенные интервалы значений яркости. Но, всего скорее, эти интервалы будут существенно перекрываться, и часть пикселей мы будем классифицировать неправильно.
При классификации многозонального изображения мы имеем несколько слоев - панхроматических изображений, полученных в разных зонах электромагнитного спектра. Поскольку объекты земной поверхности имеют различную отражательную способность в разных зонах спектра, пиксель, принадлежащий к определенному классу объектов, будет иметь в разных слоях различные яркости.
Яркости пикселя по слоям – каналам многозонального изображения, упорядоченным по возрастанию длины волны электромагнитного спектра, можно отобразить в виде спектрального профиля (рис.19). Он представляет собой кусочно-линейную аппроксимацию кривой спектральной отражательной способности объекта в зависимости от длины волны. При большом количестве каналов мы получим довольно точную аппроксимацию этой кривой, которую часто называют спектральным образом пикселя (или просто спектром). Если представить значения яркости по n каналам в виде n-мерного вектора x (см. раздел 5.3), то спектральный образ пикселя отобразится точкой в n-мерном пространстве спектральных яркостей, которое в задаче распознавания называют пространством признаков (ПП). Вектор координат пикселя в этом пространстве называют спектральной сигнатурой пикселя. Набор спектральных сигнатур, достоверно описывающий определенный класс объектов, называют сигнатурой класса.
Я
ркость
пикселя в j-м
канале – это его j-я
координата в пространстве яркостей.
Длина вектора – спектральной сигнатуры
пикселя характеризует положение
спектральной кривой на шкале яркостей,
а соотношение между отдельными
координатами, определяющее направление
вектора, – форму спектрального профиля.
Так осуществляется переход от анализа
сходства
спектральных кривых к анализу множества точек в n-мерном пространстве яркостей. Вид этого множества, которое в разделе 5.3 мы назвали диаграммой рассеяния, зависит от спектральных отражательных свойств представленных на изображении объектов и соотношения их площадей.
Заметим, что некоторые типы объектов земной поверхности имеют характерную и устойчивую форму спектра отражения, которая может использоваться для их выделения. К ним относятся искусственные материалы, различные химические элементы и соединения, в том числе некоторые типы горных пород. Яркость таких объектов зависит только от условий освещенности, форма спектра отражения при этом не меняется. Для выделения таких объектов применяются методы спектрально-угловой классификации. В этих методах признаком является угол между вектором x и эталонным вектором x0 в пространстве яркостей. Спектрально-угловые методы классификации позволяют частично избежать ошибок, связанных с условиями освещенности. Простейший вариант такой классификации имеется в пакете ENVI. Однако качественная классификация спектрально-угловым методом требует достаточно большого числа спектральных каналов, в противном случае вектор яркостей эталона может оказаться нерепрезентативным. Поэтому спектрально-угловая классификация применяется преимущественно на гиперспектральных изображениях для решения специального типа задач: дистанционное обнаружение целевых объектов в зонах техногенных катастроф, геологические изыскания и т.п.
В большинстве случаев интересующие нас классы объектов земной поверхности представляют собой комплексы мелких объектов с различными спектрами отражения. В первую очередь это относится к почвенно-растительному покрову, спектральные отражательные свойства которого зависят не только от состава, но также от сезона съемки и метеоусловий. Выбрать подходящую меру сходства между спектрами (функциями яркости от длины волны) так, чтобы все интересующие нас классы разделялись с требуемой точностью, в этом случае очень сложно. В модели же n-мерного пространства признаков задача распознавания сводится к построению границ между областями диаграммы рассеяния, соответствующими выбранным нами классам. Эти границы могут иметь в общем случае сложную форму, а областей, описывающих отдельный тематический класс объектов, может быть несколько. Однако для такой модели существует достаточно большое количество методов построения границ, обеспечивающих решение задачи с определенным уровнем ошибки. И, что очень важно, в этом случае значительно проще оценить ожидаемую вероятность ошибок.
В ERDAS Imagine, как и во всех пакетах обработки аэрокосмических изображений, имеется стандартный набор таких процедур классификации многозональных изображений, которые называют «классическими».
Начнем рассмотрение этой методологии с самого простого случая.