Диссертация (1137226), страница 13
Текст из файла (страница 13)
ISODATA широко применяется для обработки космических изображений и включен во многие79программные пакеты (ENVI, ERDAS Imagine) [21, 31, 142].Для работы этого алгоритма необходимо задать несколько параметров:— параметр, характеризующий количество объектов в кластере,параметр, характеризующий среднеквадратичное отклонениехарактеризующий компактность,стимое число циклов итерации,—— параметр,— необходимое число кластеров,— допу— наибольшее число объединений, а такженачальные центры кластеров.С учётом заданных параметров, на каждой итерации производится вычисление новых центров кластеров аналогично методу К-средних, после чего слишком маленькие кластеры устраняются, а объекты, входящие в них разделяютсямежду остальными кластерами, а также либо происходит разделение кластеров, имеющих слишком большое среднее квадратичное расстояние от объектадо центра кластера, либо попарное слияние наиболее близких кластеров в один.Данная модификация преодолевает недостатки метода К-средних, связанные сфиксированным числом кластеров, и обладает высокой адаптивностью.Плотностные методы основаны на предположении, что объекты внутрикаждого кластера расположены с достаточно высокой плотностью.
Так, методDBSCAN [91] учитываетточек2параметра — размер окрестностии количество . Ядром кластера является любой объект, в -окрестности которойлежит не менее других объектов, по тому же принципу осуществляетсядобавление объектов в кластер, то есть присоединяются объекты, лежащие в-окрестности объекта кластера, содержащей не менее других объектов.Общим достоинством методов кластеризации является возможность сегментации изображения на однородные по заданным признакам области без знания априорной информации о свойствах и природе таких областей. Однако изэтого же свойства следует и основной недостаток — слабые возможности понастройке сегментации даже в случае, когда предметная область хорошо известна, и выделенные кластеры не соответствуют тематическим классам [31].Кроме того, выделенный кластер является просто однородной областью, и его80выделение не говорит ничего о том, какому реальному классу их предметной области он соответствует, поэтому его необходимо дополнительно классифицировать.
Поэтому в случаях, когда существует значительный объем априорной информации о классах объектов, которые необходимо выделять при сегментацииизображений, зачастую более выгодно использовать методы контролируемойклассификации, дающие широкие возможности по настройке классификации.3.1.7. Контролируемая классификацияКонтролируемая классификация, использующая обучение с учителем —важный класс методов интеллектуального анализа данных, применяющихся взадачах тематической обработки данных дистанционного зондирования. Общаязадача классификации ставится следующим образом.
Существует множествообъектов,характеризующихся набором числовых признаков, так что каждому объекту можно сопоставить вектор признаковтому или иному типу (классу) ∈ ∈ ..Объекты относятся кЗадано множество ⊂ : ∀ ∈ →— обучающая выборка, для каждого элемента которой известен класс,которому он принадлежит. Требуется установить класс для каждого объекта ∈ .Одним из базовых методов классификации является метод максимального правдоподобия. Он основан на определении функции правдоподобия(, )для выборки, то есть функции совместного распределения выборки параметрической случайной величины, рассматриваемой как функция параметра. Тоесть, если выборкараспределениюX = 1 , ..., принадлежит некоторому параметрическому с неизвестным параметром.
Пусть (|) - плотность совместного распределения выборки. Тогда функцией правдоподобия называеся() = X (|).(3.22)При использовании метода максимального правдоподобия необходимо пред81варительно задать вид параметрического распределения, которое описываетобъекты каждого класса, разные классы соответствуют различным значениям параметра: = ( ),или иному классутаким образом отнесение объекта (выборки) к томузадаёт параметры распределения .При классификацииобъект относится к тому классу, функция правдоподобия которого для данногообъекта больше, чем для любого другого класса: ∈ ; = ((, ())).(3.23)Для определения вероятностных распределений, соответствующих классам, вводится предположение о семействе распределений, которому они принадлежат (равномерное, нормальное, ...) и по обучающей выборке вычисляютсяпараметры распределения. Например, для нормального распределения параметры (математическое ожидание и дисперсия) вычисляются как соответствующиевыборочные параметры:1 ∑︁1 ∑︁2=; = − 2||||∈(3.24)∈Данный метод отличается простотой, однако требует знания вероятностных распределений, которым подчиняются объекты классов, и ...Байесовская классификация— широкое множество алгоритмов классификации, основанных на предположении о том, что вектор признаков объектаявляется случайным вектором, а отнесение объекта к тому или иному классуи определенная реализация вектора признаков — событиями.
Таким образом,подчиняются теореме Байеса: ( ) =где () ( |), (| )(3.25) () — вероятность события , то есть реализации случайного вектора признаков; () — вероятность принадлежности объекта к классу , (| ), ( |) —82условные вероятности (в случае дискретных случайных величин). Для непрерывных случайных величин это соотношение переписывается в терминах функции плотности распределения: (| = ) = (| = ) ().
()(3.26)Зная вероятностное распределение объектов каждого класса в пространстве признаков (| ) ∀ ∈ ,распределение всей выборки и априорныевероятности классов, можно вычислить вероятность того, что данный объектпринадлежит определенному классу.3.1.8. Объектно-ориентированная классификацияОсобняком следует выделить методы объектно-ориентированной классификации, оперирующие объектами — связными областями на изображении, соответствующими определенному типу поверхности или представляющими объект на поверхности Земли (здание, дерево, объект дорожной сети). Эти методы наиболее эффективны при высоком пространственном разрешении, когдакаждый объект состоит из большого числа пикселей, и текстурные и геометрические признаки имеют высокую информативность. При объектной классификации процесс дешифровки изображений разбивается на два этапа: разбиениеизображения на связные области (объекты) и классификация объектов с использованием спектральных, текстурных, геометрических, топологических признаков.
Сегментация изображения проводится, как правило, методами неконтролируемой классификации, учитывающими спектральные свойства пикселей и ихвзаимное расположение, чтобы выделить на изображении однородные области,отличающиеся от соседних участков. После этого извлекаются различные свойства объектов, включая их размеры и форму, текстурные признаки, свойствасоседствующих объектов, и по данным признакам проводится классификация,как правило — байесовскими методами [144, 158].833.1.9. Нейросетевой подходИскусственные нейронные сети моделируют работу биологических структур, состоящих из нейронов, и доказали свою эффективность в распознаванииобразов на изображениях, в том числе аэрокосмических. Нейронная сеть состоит из нескольких слоёв искусственных нейронов — сумматоров, получающихсигналысвходов и подающих на выход сигнал,зависящий от полученных. Рекация искусственного нейрона на входные сигналы описывается передаточной функцией:=(︃ ∑︁)︃ + ,(3.27)=1которая может иметь различный вид — пороговая, линейно-пороговая, идр.
Наибольшее распространение получили сигмоидальные функции() =1.1 + −(3.28)Искусственная нейронная сеть организована в несколько слоёв, первыйслой получает на вход признаки объекта, каждый следующий - выход с предыдущего слоя, последний на выходе отображает результат.Нейронные сети различаются по топологии, то есть количеству слоёв и набору связей между нейронами, по виду передаточной функции, по типу обучения. Принцип построения искусственной нейронной сети, предназначенной дляраспознавания, состоит в последовательном обучении её с помощью последовательной обработки обучающей выборки и коррекцией коэффициентов методомпрямого или обратного распространения ошибки.Нейронные сети показывают достаточно хорошие результаты при обработке изображений, в том числе данных дистанционного зондирования [56, 81].При этом, к их недостаткам относится сложность процесса обучения, требующего значительный объём обучающей выборки и значительное время.843.2.
Численный метод обработки космическихизображений для выделения выгоревших территорий3.2.1. Мониторинг природных пожаров средствами ДЗЗПриродные пожары — опасные явления, влекущие за собой целый комплекс последствий:∙природные — изменение природных сообществ на территориях, пострадавших от пожара;∙экономические — ущерб лесному хозяйству, а также другим экономическим объектам при переходе природного пожара в населенные пункты;∙экологические — выброс значительных объёмов газовых и аэрозольныхпродуктов сгорания в атмосферу.Мониторинг природных пожаров важен как для оперативного наблюденияза активными пожарами с целью прогнозирования его распространения, предупреждения чрезвычайных ситуаций, организации пожаротушения, так и дляоценки последствий уже случившегося пожара.Использование данных дистанционного зондирования Земли для этих задач важно, а зачастую и незаменимо, благодаря особенностям данных ДЗЗ —оперативности получения, в том числе для труднодоступных, удаленных районов, большим площадям покрытия.«...
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
