Врезультате создают два геометрически зарегистрированных файла, первый из которых содержит значения разброса яркостей (или их масштабированные значения), другой — коды направления изменений. Каждый из них представляют в виде изображений, при этом информацию второго файла накладывают на изображение области изучения, присваивая пикселам цвета согласно их коду направления изменений. Совместный анализ двух полученных изображений предполагает установление пороговых значений для вектора разброса.

Внастоящее время для решения задач мониторинга определенных территорий многими исследователями предпринимаются попытки разработать системы, работающие с минимальным участием человека. Они основаны на создании экспертных систем, опирающихся на базы знаний.

8.5.2. Изучение географических объектов с использованием методов нечеткой и экспертной классификации

Представленные в разделе 8.4 алгоритмы компьютерной классификации базируются на том, что каждый пиксел изображения может быть отнесен строго к одному классу, поэтому в англоязычных пакетах программ эти алгоритмы называют «hard classification».

Теоретически пикселы представляют средневзвешенные спектральные характеристики площадки на земной поверхности, в пределы которой могут входить разные типы объектов. Кроме того, даже если это один и тот же объект, нет гарантий, что многозональные данные передают все его свойства. Пропорции объектов или их свойств в этих так называемых смешанных пикселах меняются от пиксела к пикселу. Увеличение пространственного разрешения снижает эффект смешения, однако он остается на границах объектов.

Наиболее простой метод разделения информации в смешанном пикселе — подпиксельной классификации (subpixel) — базируется на анализе спектральных данных разных объектов, вошедших в пиксел. Далее составляется линейное соотношение, связывающее эти данные, коэффициентами которого служат значения доли площади пиксела, занимаемой объектом. Для того, чтобы реализовать такую модель, нужны очень точные дополнительные данные, которые можно получить только в результате наземных и лабораторных исследований изучаемой территории.

406 Глава 8. Цифровая обработка изображений

Методы, основанные на положениях теории нечетких множеств — методы нечеткой классификации — применяют в случае смешанных пикселов, рассматривая их как нечеткое представление объектов разных типов, которые невозможно отнести к одному классу. Такие алгоритмические методы учитывают реальную нечеткость природных объектов [Jensen, 1996]. Нечеткие классификации основаны на построении функций принадлежности, описанных в параграфе 5.4.2, применение которых позволяет определить, к какому классу ближе исследуемый пиксел. Нечеткие классификации не создают однозначных границ классов, поэтому пиксел может принадлежать различным классам.

Подобно традиционной классификации, нечеткая также использует процедуру обучения, но наибольшее отличие заключается в том, что необходимо в набор эталонных данных ввести еще информацию о классах, составляющих пиксел. Процесс создания обучающих выборок существенно отличается от традиционного, в котором пикселы такой выборки должны быть близки по значению и точно характеризовать один класс.

Методы нечетких классификаций основаны на применении средств так называемой нечеткой свертки, которые позволяют назначать классы в пределах скользящего окна (см. раздел 8.2). Используя многозональную классификацию и файлы расстояний, свертка создает новые классы, вычисляя взвешенные расстояния для всех классов в пределах окна.

Нечеткая свертка при классификации создает однослойное изображение, значения пикселов в котором определяются на основе анализа вычисленных обратных взвешенных расстояний для всех классов пикселов, находящихся в окне. Центральный пиксел окна относят к классу с наибольшим общим обратным средневзвешенным расстоянием, определенным через сумму всех созданных слоев нечетких классификаций. Такая классификация создает эффект контекстной классификации, предназначенной снизить пестроту выходного изображения. Классы с очень маленьким расстоянием остаются без изменения, в то время как классы с большими значениями средневзвешенных расстояний могут изменить ближайшие соседние значения, если существует достаточно большое число соседних пикселов с значением определяемого класса и небольшими расстояниями.

Существуют алгоритмы нечеткой классификации, использующие логику построения функций принадлежности (см. раздел 5.2). На рис. 8.21 приведена графическая иллюстрация построения линейной функции принадлежности для разделения трех типов гипотетических объектов. Рисунок 8.21 а представляет процесс традиционной классификации на основе значений в ИК зоне; разделение значений яркости на три градации основано на свойстве постепенного повышения этих значений для рассматриваемых объектов. Но между такими объектами, как правило, невозможно провести четкую границу, и это проявляется в смешанных пикселах на снимках. Использование условий нечеткости может облегчить задачу отнесения пикселов к тому или иному классу. Рисунок 8.216 на гипотетическом примере показывает, что пикселы со значениями яркости <24 будут иметь величину степени принадлежности 1.0 к классу воды и 0 к обоим классам лесов. Аналогично, пикселы со значением яркости 60 получат величину степени принадлежности 0.7 для класса увлажненных лесов, 0.3 - для класса лесов на возвышенности и 0 для класса воды. Таким образом создается дополнительная информация для выполнения нечеткой классификации с использованием различных логических условий.

б

Рис. 8.21. Схема, иллюстрирующая разделение нечетких классов с использованием функции принадлежности: а — традиционная классификация; 6 — нечеткая классификация (по [Jensen, 1996])

Экспертная классификация пока не входит в состав всех программных пакетов, предназначенных для обработки изображений.

требования к такой информации — по точности, достоверности и пригодности — должны быть очень высокими и не всегда просто удовлетворяются на практике.

ГИС-пакет ERDAS Imagine включает программный модуль, предназначенный для выполнения экспертной классификации [ERDAS Field Guide, 1999]. Он состоит из двух частей - Knowledge Engineer и Knowledge Classifier. Knowledge Engineer обеспечивает экспертов интерфейсом для создания базы знаний — введения в

программу своих знаний как данных для выработки решающих правил, определения атрибутивных переменных, типов классов, выделяемых по снимкам и создания иерархической последовательности (дерева) принятия решений. Knowledge Classifier обеспечивает интерфейсом пользователей (не экспертов) для применения базы знаний и выполнения классификации. Этот интерфейс позволяет ввести ограниченное множество параметров для контроля использования базы знаний.

Использование данных дистанционного зондирования для географического анализа территорий предъявляет к пользователямгеографам высокие требования. Необходимо обладать знаниями географических особенностей территорий, методами их изучения и многочисленными способами компьютерной обработки снимков, описанными выше.