36. Алгоритмы компьютерной обработки снимков для составления тематических карт

Если из данных есть только снимки, то существует три варианта дальнейших действий:

1. Кластеризация (в случае, когда о территории нет больше никаких данных)

2. Контролир. классиф-я (на основании опыта дешифрирования объектов у исследователя)

3. Составление карт динамики по разновременным снимкам

Если помимо снимка, имеются другие данные (векторные, растровые, табличные, текст и т.д.), последовательность действий следующая:

1. Все данные переводят в одну проекцию

2. Анализ и преобраз данных с использ ГИС-технологий

3. Создание новых карт (инвентаризационных, оценочных, динамики)

Весь анализ снимков проводится методом скользящего окна.

Для создания тематических карт используются также алгоритмы выделения границ и линейных объектов. Они рассматривают изменения яркости на снимке как некоторую непрерывную функцию и оперируют с производными 1го и 2го порядков.

Для исследования текстуры объекта применяют алгоритмы анализа текстуры (как правило, в сочетании):

- среднее Евклид расстояние от централ пиксела окна до всех остальных пикселов (вычисляется по всем зонам снимка)

- вариация (квадрат показателя стандартного отклонения значений яркости в окне), как показатель неоднородности исходных данных

-асимметрия (асимметричность гистограммы распределения данных относительно ее максимума)

- эксцесс (острота пика гистограммы по сравнению с нормальным распределением).

37. Использование операций синтеза, компонентного анализа, подсчета вегетационного индекса для создания тематических карт

Синтезирование. Выбирают 3 зональных изображения, которые рассматривают как красную, зелен и синюю составляющую палитры RGB. В общем виде:

С=а1×R+a2×G+a3×B

(RGB – зональные компоненты, а1,а2,а3 – некие коэффициенты). Результаты синтеза оценивают визуально. КОэф-ты определяются как экспериментально, так и с помощью стандартных процедур в программ пакетах.

Метод главных компонент. Используется для определения статистически независимых производных признаков объектов, выделения и отображения их спектрального контраста. Чаще всего по 4м исходным зонам снимка получают 4 новых изображения, ранжированных по убыванию дисперсии яркости (спектрального контраста). Причем 1ое изображение – максимально выражен контраст, 2ое – контуры, на к-ых происх смена контраста, 3е и 4е – инфа о шумах, систематич погрешностях и т.д. Никакие значения не отбрасываются. Часто изображения первых 3х главных компонент используют для получения нового синтез изображения

Вегетационный индекс.

NDVI=(Bик – Bк)/(Вик + Вк).

Принимает отрицат значения для водных объектов, максимум – где больше всего биомасса, все остальное – промежуточные значения. Способствует выделению различных типов растит-ти, экологической обстановки, контраст растит-ти с обнаж грунтами и т.д.

38. Алгоритмы контролируемой классификации (ближайшего соседа, максимального правдоподобия)

Методы учитывают уже известную инфу

-о типах объектов и вероятности их представления данными снимка

-об эталонных значениях спектральных хар-к этих объектов, от качества к-ых зависит точность и достоверность классификации

Создание эталонов(требования): близость гистограммы к нормальному распределению, минимальность дисперсии данных(однородность), небольшие отклонения от среднего, разделимость выборок в спектр простр-ве

Выборки: параметрические(оценивает статистические характеристики по каждому эталону с учетом нормального распр-я данных) и непараметрические(основана на полигонах, созданных пользователем по пространству спектр признаков)

Оценка выборок: построение эллипсов рассеяния и редактирование изменением числа стандартных отклонений или заданием статистического расстояния м.у 2мя выборками.

Алгоритм ближайшего соседа.

По минимальному расстоянию между классами в пространстве признаков. Решение о принадлежности пиксела принимается на основании анализа некоторой меры близости. Рассчитывается спектральное расстояние между вектором значений яркости пиксела и вектором средних значений каждого эталона. Пиксел приписывается к классу с ближайшим средним значением. Метод не учитывает изменчивость яркости в классе (дисперсию), поэтому плохо классиф объекты с высокой дисперсией.

Метод максимального правдоподобия.

Статистический подход к решению задачи классификации.

Алгоритмы классификации: 1)детерминированные (выборки не пересекаются в простр спектр призн), 2)статистические(если наоборот)

1. Метод параллелепипеда (задание границ яркостей по каждому объекту) классиф выполн за 1 проход и не требует норм распред данных

2. А) Ближайшего соседа (определение минимального расстояния между классами в пространстве спектр признаков: между отдельным пикселом и средними знач-ями каждой выборки)

Б) Максимального правдоподобия( в основе лежит предположение , что появление на снимке объекта i, относ к классу A является случайным событием w)

По созданным выборкам рассчитываются статистические характеристики (функции условной плотности распределения вероятности). Затем на основании этих данных проводится анализ всего изображения, пиксел будет отнесен к тому классу, который будет ему ближе всего по статистическому распределению признаков (т.е.по обучающим выборкам создается функция, определяющая распределение яркости для каждого объекта и предсказывающая тем самым какой пиксел в нее лучше ”впишется”)

! Метод хорош, если данные внутри каждой выборки достаточно однородные, в противном случае произойдет выделение не реальных классов объектов, а пикселов со схожими значениями