Лекция2
.pdf
Теория и алгоритмы распознавания образов
Применение алгоритмов кластерного анализа при неконтролируемой классификации мультиспектральных изображений
Важный вопрос: как выбрать подходящее число кластеров?
Если требуется небольшое количество тематических классов, то можно посмотреть гистограммы по каналам
RGBкомпозиция каналов ETM+ |
Гистограммы по каналу 4 (слева) и 5 (справа) |
|
R=5(SWIR), G=4(NIR), B=2(GREEN) |
||
|
Здесь явно выражена тенденция к группировке в 2 3=6 кластеров (моды, обозначенные красным)
Дополнительно можно попробовать использовать еще 2 «квазимоды», обозначенные голубым Но если моды выражены слабо, всегда есть опасность, что классы окажутся «смесями»
Теория и алгоритмы распознавания образов
Применение алгоритмов кластерного анализа при неконтролируемой классификации мультиспектральных изображений
Неконтролируемая классификация изображения ETM+ на 6 (слева) и 12 (справа)
классов в палитре цветов композиции R=4,G=4,B=2. Вода отдельно раскрашена голубым для наглядности
Теория и алгоритмы распознавания образов
Применение алгоритмов кластерного анализа при неконтролируемой классификации мультиспектральных изображений
А что происходит с увеличением числа каналов?
Рассмотрим изображение на ту же территорию с аппаратуры OLI (Landsat-8)
RED=4, GREEN=3, BLUE=2 |
RED=5, GREEN=3, BLUE=2 |
Результат кластеризации на |
|
3 3 3=27 классов |
|||
|
|
С увеличением размерности
данных число разделяющихся кластеров быстро растет, поэтому при использовании большого количества каналов увеличивается риск выделить
смешанные классы
2 |
3 |
4 |
5 |
6 |
7 |
Теория и алгоритмы распознавания образов
Применение алгоритмов кластерного анализа при неконтролируемой классификации мультиспектральных изображений
При составлении карты-гипотезы легче интерпретировать классы, используя их средние спектральные профили
Теория и алгоритмы распознавания образов
Дисперсионно-ковариационные свойства алгоритма K средних
Алгоритм K средних (и, соответственно, ISODATA) обладает одним важным свойством, которое непосредственно отражается на результатах его применения
В реализации алгоритмов кластеризации обычно используется квадрат расстояния образа x до центра k-го кластера mk:
Скалярной величине D2 соответствует матрица рассеяния
Сумма диагональных элементов этой матрицы есть D2
Через матрицы рассеяния получают различные критерии качества кластеризации, в том числе можно получить основное свойство алгоритма K средних
Теория и алгоритмы распознавания образов
Дисперсионно-ковариационные свойства алгоритма K средних
Рассмотрим 3 матрицы
1.Обобщенную матрицу внутригруппового рассеяния
2.Матрицу рассеяния для центров кластеров
3. Матрицу рассеяния по всему множеству образов (m0 – среднее по всей диаграмме рассеяния)
Между этими матрицами имеет место следующее соотношение:
MW+MB=M0
Это означает, что алгоритм минимизирует среднее внутригрупповое рассеяние и максимизирует среднее межгрупповое рассеяние
Теория и алгоритмы распознавания образов
Следствием приведенного выше свойства является относительно равномерное распределение кластеров по всему множеству образов
Классы с очень маленькой дисперсией при неконтролируемой классификации на доступное для интерпретации число классов разделить практически невозможно
Например, вода выделяется в один класс и может захватить часть других темных классов
Теория и алгоритмы распознавания образов
Для детальной классификации можно использовать кластеризацию по маске
Исходная маска по классу воды |
Результат маскирования воды |
|
Перед маскированием изображение |
Уже на этом результате стало |
|
заметно больше деталей за счет |
||
целесообразно сгладить по |
||
автоматического поднятия |
||
преобладающему в окне классу |
||
контраста |
||
|
Теория и алгоритмы распознавания образов
Диаграммы рассеяния для трех пар каналов маскированного изображения
Красный-зеленый |
|
Красный-ближний |
|
|
|
|
Зеленый-ближний ИК |
ИК |
|
|
Вданном случае удобно использовать исходное расположение центров кластеров по направлению наибольшего разброса
диаграммы рассеяния
Теория и алгоритмы распознавания образов
Результат кластеризации маскированного изображения на 12 классов