1.7. Автоматизированное дешифрирование снимков.

В основе автоматизированного дешифрирования снимков лелсит класси­фикация объектов. При этом исходят из того, что каждому пикселу многозональ­ного снимка соответствует набор значений спектральных признаков, или вектор в спектральном пространстве, размерность которого равна числу съемочных зон. Тогда процесс классификации сводится к распределению всех элементов растра по классам в соответствии с отражательном способностью (значением спектраль­ной яркости) каждого объекта в одной или нескольких зонах спектра, например, типов растительности или категорий использования земель.

Трудности классификации связаны, прежде всего, с изменчивостью. Часто классификация бывает неопределенной, поскольку элементы растра могут при­надлежать сразу нескольким классам - это так называемые «смешанные элемен­ты». Но в процессе классификации неопределенность игнорируется, и каждый элемент помещается в один из классов. Правило классификации формируют на основе признаков типичных объектов, принадлежность которых к данному классу заранее установлена.

17

Алгоритмы подразделяют на два типа: алгоритмы контролируемой и некон­тролируемой классификации. При контролируемой классификации правила пере­хода от показателей спектральной яркости к классам объектов вырабатывают на «учебном» (тестовом, эталонном) участке, а затем автоматически применяют и на остальной части снимка. Эти алгоритмы также называют классификацией с обу­чением.

I. Контролируемую классификацию реализуют с помощью алгоритмов, ис­пользующих разные методы учета спектральных характеристик эталонных объек­тов:

• дискриминантных функций, которые в простейшем случае представляют со­бой линии, разделяющие объекты на классы, если они не пересекаются в про­странстве признаков;

'минимальных расстояний, когда классифицируемые объекты относят к тому или иному классу, вычисляя евклидово расстояние в пространстве признаков между проверяемыми и эталонными пикселами и относя каждый пиксел к тому классу, до которого это расстояние минимально (рис. 8);

Рис. 8. Метод минимального расстояния.

параллелепипеда, когда в признаковом пространстве выделяют замк­нутые прямоугольные области, границы которых задают на основе выбора харак­терных диапазонов по гистограммам распределения яркостей эталонных объектов в двух, трех или более зонах спектра; каждый пиксел снимка относят к тому клас­су, в чей параллелепипед он попадает по своим значениям яркости;

максимального правдоподобия, основанного на статистических оцен-

ках характеристик классов объектов. Этот алгоритм применяется наиболее часто. При его реализации для каждого дешифрируемого класса объектов нужно опре­делить две функции условной вероятности, связанные формулой Байеса: Р(Х/А_г) — правдоподобие класса объектов А_{ при данном векторе признаков X и Р(А, /X) -вероятность отнесения пикселов с их вектором признаков Хк классу А_{ [И. К. Лу­рье, А. Г. Косиков, 2003]. Первая функция отражает различия в яркостях объектов разных классов, и ее параметры находят путем вычисления статистических харак­теристик распределения яркостей пикселов в пределах эталонных объектов на снимке - построения обучающих выборок (рис. 9.). Процедура классификации относит каждый пиксел с измеренным X к тому объекту, для которого правдопо­добие максимально, т.е., согласно байесову решающему правилу, нахождение объекта в заданной области признакового пространства статистически наиболее правдоподобно (отсюда и название «метод максимального правдоподобия»).

Рис. 9. Оценка выборок на основе построения эллипсов рассеяния:

а — перекрывающиеся выборки; б — разделимые выборки (А, В, С и D — зоны исходного снимка; а — стандартное отклонение от средних значений 2-го класса — Ма2 и Mbz)

Априори предполагается, что распределение спектральных яркостей пиксе­лов объекта на многозональном снимке подчинено нормальному закону. Тогда их распределение в пределах объекта образует многомерные «эллипсы рассеяния» равной вероятности, определяемые условием Р(Х/ A_t) = const,, средними значе­ниями яркости стандартного отклонения. В большинстве ГИС-пакетов, исполь­зуемых для выполнения классификации, процедуру обучения осуществляют в ин­терактивном режиме. Дешифровщик опознает на экране монитора эталонные объ­екты, относящиеся к выделяемым классам; в пределах каждого объекта строят многоугольник (полигон обучающей выборки), полностью вписывающийся в

изображение объекта на экране. Границы этих полигонов вводятся в специальную программу, которая вычисляет для каждого класса средние значения М_{ и K_t по значениям яркости n_t пикселов, попавших в полигон. Такая процедура позволяет обеспечить соответствие измерений обучающих (эталонных) и проверяемых (классифицируемых) объектов.

II. Алгоритмы неконтролируемой классификации (без обучения) реализуют часто методы кластеризации, основанные на так называемых пороговых процеду­рах. В них предполагается, что первоначальная информация о природных разли­чиях объектов, зафиксированная в спектральных яркостях, достаточна для разде­ления классов и поэтому можно обойтись без эталонов.

В общем случае при пороговой классификации сравнивают значения ярко­сти двух соседних пикселов снимка. Если их различие R{X_l-X_M)= £(Х/ -Х/₊₁)²

V ;=i

превышает некоторую заранее заданную величину d (порог), то считается, что эти пикселы принадлежат разным объектам и между пикселами проходит разделяю­щая граница,. При таком способе классификации точность обычно невысока, тем не менее при отсутствии априорной информации выполнение этой процедуры це­лесообразно. Наиболее известен алгоритм ISODATA, который используется во многих растровых ГИС-пакетах.

В результате создается карта кластеризации, а также массив спектральных координат центров кластеров с известным числом пикселов в каждом из них. Де-шифровщик, используя карту кластеризации, а также дополнительную информа­цию, может оценить соответствие кластеров классам объектов и принять решение об их объединении в нужные тематические группы (выделы).

В состав программного обеспечения автоматизированной обработки аэро­космических снимков обычно входит несколько алгоритмов классификаций. Применение того или иного алгоритма определяется наличием априорной инфор­мации, качеством самого снимка, решаемой задачей, опытом и интуицией дешиф-ровщика.

Мониторинг и картографирование изменений в природе, хозяйстве и их взаимодействие связаны с составлением карт динамики. Компьютерная реализа-

20

ция этих методов направлена главным образом на обеспечение точного простран­ственного совмещения разновременных карт, аэро- и космических снимков для извлечения динамической информации.

Прежде всего необходимо определить классы динамических объектов и их временной интервал (сезон, год и т.п.). Приведение снимков (или карт и снимков) к геометрически идентичному виду осуществляют методами, описанными выше, стремясь к тому, чтобы среднеквадратическая ошибка трансформирования не превышала 0,5 пиксела.

Обеспечить спектральную идентичность снимков крайне трудно из-за раз­нообразия определяющих ее параметров. Сделать разновременные снимки мак­симально сравнимыми при условии, что сезонные различия минимальны, а об­лачность отсутствует, позволяет яркостная коррекция.

Подходящие алгоритмические процедуры выявления и картографирования изменений основаны на методах классификации и ГИС-технологиях оверлея. Для оценки точности полученных результатов строят «матрицы динамики» классов объектов, аналогичные матрицам классификации. Наиболее часто применяют следующие операции:

• создание композиций разновременных снимков за два срока и выделение изменившихся и неизменившихся кластеров пикселов;

• использование алгебры изображений — вычитание, синтез или вычисление отношений соответствующих зон (после их приведения к единой системе коорди­ нат и размеру);

• сопоставление результатов классификации разновременных снимков, по­ лученных путем автоматизированного дешифрирования нужных объектов на гео­ метрически совмещенных снимках;

• применение бинарных масок — специально создаваемых изображений, со­ держащих только 0 и 1, которые используют для маскирования неизменившихся или не интересующих дешифровщика объектов, что позволяет выделить измене­ ния;

• использование карт как источников данных за первую дату, когда резуль­ таты съемки сравнивают с картой, составленной на более ранний срок; в этом

21

случае карту сканируют, снимок трансформируют в проекцию карты, выполняют его классификацию, а далее для карты и классифицированного снимка применяют описанные выше операции;

• ручное цифрование классов изменений по экрану — выделение контуров площадных объектов на разновременных картах классификации или на снимках высокого разрешения способом так называемого цифрования по растровой под­ложке с последующим совмещением полученных векторных карт на одной осно­ве.

Развитие геоинформационных технологий ведет к попыткам разработать мониторинговые системы, работающие с минимальным участием человека. Они опираются на создание экспертных систем и баз знаний.