МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ «ЛЬВІВСЬКА ПОЛІТЕХНІКА»
Кафедра фотограмметрії та
геоінформатики
Лабораторна робота №4
На тему:
«Неконтрольована класифікація космічних зображень (алгоритм isodata)»
Виконала:
ст.гр. ФТМ-1м
Телещук Ю.О.
Перевірив:
Четверіков Б.В.
Львів-2016
Мета роботи: отримати навички побудови растрових тематичних карт за даними дистанційного зондування Землі, використовуючи метод неконтрольованої класифікації ISODATA пакета ERDAS Imagine 2010.
Завдання: Виконати неконтрольовану класифікацію даних обраного космічного зображення та оцінити отримані результати:
задати параметри і виконати неконтрольовану класифікацію;
присвоїти кольори для відображення та імена отриманим класам;
виконати перекодування та генералізацію класифікованих даних (об’єднати класи у більш загальні категорії використовуючи функцію перекодування);
проаналізувати результати класифікації, використовуючи інструменти географічного зв’язку вікон.
Основні теоретичні положення
Класифікація – це процес сортування (розподілу за класами) елементів зображення (пікселів) на кінцеву кількість класів на основі значень їхніх атрибутів.
Найпоширенішими методиками класифікації космічних зображень є
контрольована та неконтрольована класифікація, класифікація на основі бази
знань, сегментація та кластерний аналіз тощо.
Неконтрольована класифікація виконується автоматично і залежить тільки від відомостей знімка. Вона дає змогу легко виокремити під час ідентифікації порівняно невеликого числа класів, коли обрано такі тестові ділянки, які можуть бути перевірені за достовірними наземними даними, або коли можна виокремити добре помітні, однорідні області, які представляють кожний клас. З іншого боку, якщо необхідно створити класи за властивими пік селям спектральними відмінностями, то для цього завдання доцільнішою буде неконтрольована класифікація. Вона дозволяє легко виокремити безліч таких класів (груп пікселів). Неконтрольована класифікація може бути корисною для створення тематично визначеного набору класів із використанням наступної контрольованої класифікації. Застосування комбінації класифікацій неконтрольованої та контрольованої – гібридної – дає оптимальні результати, особливо для значних масивів даних.
Алгоритми неконтрольованої класифікації дають змогу користувачу задати деякі параметри, які комп'ютер використовує для виявлення властивих цифровим даним знімків спектральних (у тому числі статистичних) образів. Ці образи не обов'язково відповідають об'єктам знімання; вони є простими групами пікселів з подібними спектральними характеристиками.
Алгоритми неконтрольованої класифікації реалізують часто застосовувані в різних багатомірних дослідженнях методи кластеризації, в основу яких покладено так звані граничні процедури. За їх використанням передбачається, що кількості вихідної інформації достатньо для поділу класів і тому еталони не використовуються. Під час обробки знімків ці алгоритми застосовують різні міри роздільності класів у просторі ознак об'єктів і становлять математичну основу їхньої формальної класифікації.
Загалом за граничної класифікації порівнюються значення яскравості двох сусідніх пікселів. Якщо розходження в значеннях яскравості перевищує певну заздалегідь задану величину - поріг, то вважається, що ці пікселі належать різним об'єктам і між ними проходить межа поділу. У разі багатозонального знімка пороги задають або для розходжень яскравостей кожної спектральної зони, або для відстаней у просторі ознак, які використовують як міру роздільності. За такого способу точність класифікації невисока, проте при відсутності апріорної інформації про класи виконання такої процедури доцільне, оскільки за її допомогою можна виокремити однорідні за яскравістю області (підкласи) об'єктів на основі їх природних відмінностей, що виявляються в спектральній яскравості. Коли об'єкти будь-якого класу описуються векторами, компонентами яких є дійсні числа, цей клас можна розглядати як кластер і виокремлювати його властивості в просторі образів кластера.
Для здійснення класифікації космічних зображень потрібно визначити параметри, за якими алгоритм буде відносити пікселі зображення до певного класу, визначеного користувачем. Цей процес називають створенням класових сигнатур і виконують на основі польових даних (еталони, тренувальні дані) та фотоінтерпретації. Часто під час формування класових сигнатур можуть виникати помилки за рахунок віднесення пікселів до невластивого класу, що знижує точність класифікації.
В Erdas Imagine є можливість проведення класифікацій з навчанням та без навчання. Класифікація без навчання є менш трудомісткою та швидкою для виконання.
Ця класифікація (за алгоритмом ISODATA) базується на використанні формули найменших спектральних відстаней.
Цей спосіб класифікації використовується в разі подібності спектральних ознак різних класів та перекриття діапазонів значень їх яскравості. Попередньо визначаються середні значення класів.
Таким чином, піксел відноситься до того класу, відстань до сукупності середніх значень якого виявилася найменшою. Цей процес відбувається у декілька етапів – ітерацій. На кожній ітерації всі пікселі перекласифікуються та обираються нові середні для кластерів, до яких і визначаються відстані. В результаті всі пікселі зображення виявляються розподіленими між класами.