Особенности отображения объектов в различных спектральных зонах

Цель работы по данной теме – изучить с помощью программы MultiSpec особенности отображения различных объектов на многозональных снимках с различными характеристиками. Для распознавания различных объектов на снимке использовались значения спектральной яркости. Следует отметить, что для простоты в данном задании не проводилась радиометрическая калибровка снимков. Для МСУ-СК системная калибровка проводится уже на орбите, а более точные калибровочные коэффициенты неизвестны. Используемый снимок ЕТМ+ прошел системную калибровку и коррекцию. Поэтому форма кривых спектральной яркости на этих снимках соответствует форме кривых спектральной отражательной способности.

Предлагается проанализировать обобщенные кривые спектральной отражательной способности для нескольких основных типов объектов, полученные ранее.

Задание ИЗУЧЕНИЕ ОСОБЕННОСТЕЙ ОТОБРАЖЕНИЯ ОБЪЕКТОВ НА СНИМКАХ И ВЫБОР ОПТИМАЛЬНОГО ВАРИАНТА СИНТЕЗА

Цель: подобрать оптимальные варианты синтеза для изучаемых объектов. Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги. Файл butovo1_57.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, 5, 7, Landsat ETM+, от 6 октября 1999 г. на Северное Бутово. Выходные данные: Оптимальные варианты синтеза для изучаемых снимков. Последовательность операций: Вывести синтезированный снимок с предложенными параметрами на экран. С помощью предоставленного описания распознать на экране основные объекты дешифрирования и оценить, хорошо ли различаются цвета, которыми они отобразились. Изменить сочетание зон в синтезе и контраст изображения, выбрать оптимальный вариант синтеза для изучаемых объектов.

Задание ПОСТРОЕНИЕ КРИВЫХ СПЕКТРАЛЬНОГО ОБРАЗА

Цель: научиться строить и сравнивать графики кривых спектрального образа в Multispec. Входные данные: Файл butovo1_57.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, 5, 7, Landsat ETM+, от 6 октября 1999 г. на Северное Бутово. Выходные данные: Графики кривых спектрального образа. Последовательность операций: Вывести синтезированный снимок на экран. Построить кривые спектрального образа для отдельных пикселов.

Создание обучающих выборок для предложенных классов и их сравнение

Обучающие выборки должны удовлетворять нескольким важным критериям: быть представительными по яркостным признакам, основываться на достаточно большом количестве пикселов (обычно в несколько раз больше, чем число спектральных зон в снимке). Распределение значений в пределах каждой выборки должно быть близко к нормальному и иметь минимально возможную дисперсию для успешной работы статистических алгоритмов.

Обычно выполнение этих правил достигается созданием нескольких выборок по небольшим, хорошо определенным эталонным участкам для каждого класса.

В упражнении предлагалось ввести границы эталонных участков по заранее определенным координатам и оценить их качество по осредненным кривым спектрального образа.

Задание СОЗДАНИЕ ЭТАЛОННЫХ УЧАСТКОВ И ОБУЧАЮЩИХ ВЫБОРОК В MULTISPEC

Цель: Освоить процедуру нанесения границ эталонных участков, создания обучающих выборок, их сравнения. Входные данные: Файл delt1234.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, МСУ-СК от 20 июля 1997 г. на дельту Волги. Файл butovo1_57.bil, содержащий фрагменты зональных снимков 1, 2, 3, 4, 5, 7, Landsat ETM+, от 6 октября 1999 г. на Северное Бутово. Выходные данные: Ффайл проекта для каждого снимка, содержащий границы эталонных участков и параметры обучающих выборок. Последовательность операций: Вывести синтезированный снимок на экран. Начать новый файл проекта. Создать эталонные участки по предложенному списку, построить по ним осредненные кривые спектрального образа для отдельных пикселов.

Краткий обзор алгоритмов классификации, предлагаемых в MultiSpec

В пакете MultiSpec имеется цельный и логически обоснованный набор алгоритмов для двух основных типов компьютерной классификации снимков: без обучения и с обучением.

Предлагается два алгоритма классификации без обучения:

а) алгоритм быстрого выделения кластеров – пригоден для быстрого, одношагового разделения многозонального снимка на пространственно однородные области (кластеризации); б)  итеративный алгоритм ISODATA – используется для более точной, многошаговой кластеризации, при которой первоначально сгруппированные пикселы итеративно перемещаются из одного кластера в другой, пока не достигается оптимальная (в соответствии с заданными параметрами) кластеризация.

Для классификации с обучением предлагается шесть алгоритмов:

1)  методом минимального расстояния (Minimum Euclidean Distance) - для отнесения пиксела к классу используется минимальное евклидово расстояние между центрами (средними значениями яркости) обучающих выборок, корреляция между значениями яркости в разных спектральных зонах (описывающая форму кривой спектрального образа) не учитывается; 2)  методом линейного дискриминантного анализа (Фишера) (Fisher Linear Likelihood) - используется корреляция между значениями яркости в разных спектральных зонах, граница между классами в многомерном поле признаков принимается линейной; 3)  методом максимального правдоподобия (Maximum Likelihood) - используется корреляция между значениями яркости в разных спектральных зонах, граница между классами в многомерном поле признаков может быть нелинейной (это наиболее частый случай при наличии достаточно большого числа классов с перекрывающимися значениями яркости); 4)  методом спектрально-пространственной классификации ECHO (Extraction and Classification of Homogeneous Objects - распознавание и классификация однородных объектов) – учитываются не только спектральные характеристики снимка (по методу линейного дискриминанта Фишера или максимального правдоподобия), но и пространственная однородность создаваемых классов; 5)  методом спектральной корреляции SAM (Spectral Angle Mapper - картографирование спектральной корреляции) и 6)  методом «сравнения фильтра» (Matched Filter, на основе CEM - Constrained Energy Minimisation, ограниченной/условной минимизации энергии).

Последние два метода используются для классификации по гиперспектральным снимкам.