Синтез цветного изображения.

Преобразование, преследующее две цели – сжать информацию (получить одно изображение вместо нескольких) и улучшить визуальное восприятие снимка.

Основной принцип – присвоить каждому из съемочных каналов свой цвет с использованием нескольких моделей формирования цветового изображения.

Две самые используемые системы: RGB (чаще) и IHS (цвет – яркость, тон и насыщенность).

В рамках РЖБ изображение формируется из трех основных или дополнительных цветов (по цветовому кубу, Ушакова привет):

три оси с началом из черного угла отвечают за интенсивность основных цветов – красного, зеленого, синего; три из белого угла – дополнительных. Расстояние от начала координат определяют интенсивность каждого цвета (т.е. белый – все 255, черный – все 0, красный – R=255 G=0 B=0 и т.д.). Диагональ куба (когда все точки имеют равные значения) – серый цвет.

При формировании синтезированного изображения яркости каждого из трех зональных изображений располагаются на одной из осей цветового куба, а пикселы окрашиваются в цвет, соответствующий значению их яркости в съемочной зоне.

Стандартный и наиболее часто используемый вариант синтеза – 0,5-0,6 (синий), 0,6-0,7 (зеленый), 0,8-1,1 (красный) мкм. Растительность окрашивается в красные тона, так как имеет высокую яркость в ближней инфракрасной зоне. Если заменить ИК зону на зеленый цвет, можно получить близкую к натуральной цветопередачу. Для наиболее точного дешифрирования нужно выбирать такой вариант синтеза и такие зональные снимки для формирования синтезированного изображения. Чтобы различия между объектами читались с наибольшей уверенностью. Также обычно выполняют контрастирование зональных снимков перед синтезированием для улучшения визуального восприятия экранного изображения.

Зональные снимки для синтезированного изображения обычно выбираются на основе вычисленной предварительно корреляции между ними. Из наиболее близких выбирается для синтеза один.

Синтезировать можно также не только зональные снимки, но и сложные преобразованные, и разновременные, а также с разным пространственным разрешением, например, цветной снимок + панхроматический.

30. Методы автоматизированного дешифрирования – классификация и кластеризация.

Суть распознавания на многозональных снимках – спектральная отражательная способность объектов, из которой следуют разные яркостные характеристики на снимках. Совокупность значений яркостей – пространство спектральных признаков, зависящее от числа съемочных зон (двумерное, трехмерное, n-мерное). Каждый пиксел – точка с координатами, соответствующая значениям уровней яркости в зонах. Т.е. спектральная яркость объектов определяет уровень яркости их изображения на зональных снимках и, следовательно, положение в пространстве признаков.

Классификация объектов – разделение на классы с определенными значениями признака. Это сопряжено с определенными трудностями, возникающими из-за неоднородности объектов земной поверхности и их освещенности. Выделение классов зависит от принятого правила классификации. Два подхода: 1 – контролируемая классификация (или классификация с обучением); 2 – неконтролируемая классификация (или кластеризация).

К.к. заключается в отнесении каждого из пикселов снимка к определенному классу объектов на местности, которому соответствует некоторая область в пространстве признаков. Этапы к.к.:

1-ый – определение выделяемых объектов (например, виды растительности, с/х культуры, породы леса, гидрографические объекты и т.п.);

2-ой – каждому классу присваиваются типичные пикселы.

Формирование обучающей выборки, которая происходит в соответствии с эталонами на снимке. Источники эталонов – материалы полевых работ, отдешифрированные снимки, карты. Выбираются группа пикселов, чтобы в результате получить некоторые выделы и полигоны. Это приводит к пространственному сглаживанию – осреднению значений яркости в пределах класса.

Качество обучающей выборки – по отношению к целому снимку должна составлять 1-5% всех пикселов, количество пикселов, принадлежащих к одному классу – 20-30%. Желательно наличие нескольких эталонных участков в разных частях снимка. Значения яркостей пикселов одного класса должны иметь минимально возможную дисперсию. Значения не должны пересекаться с другими классами.

Вид сформированной выборки – или интервал яркостей в каждой из зон, или значения центров классов с или без ковариационной матрицей;

3-ий – вычисление параметров – спектрального образа – каждого из классов, зависит от алгоритма классификации;

4-ый – отнесение каждого пиксела изображения к тому или иному классу. Результат – изображение (иногда называется карта классификации) + таблица с координатами каждого пиксела и его принадлежностью к тому или иному классу.

Алгоритмы к.к. основаны на двух подходах: детерминированный, когда классы объектов не пересекаются в пространстве признаков, что не характерно для природных объектов, и статистический, который позволяется учитывать вариации признаков и допускается отнесение признаков к другим классам (например, разные виды растительности и почв).

Методы к.к. детерминированного подхода.

Метод к. по минимальному расстоянию. Прост в вычислительном отношении, пиксел приурочивается к тому эталонному классу, эвклидово расстояние до центра которого в пространстве признаков минимально, используется при ограниченном числе классов в обучающей выборке.

Методы к.к. статистического подхода.

Метод параллелепипедов. Отнесение пикселов к эталонным классам.

Эталонный класс – интервалы значений яркости, выбранные исходя из анализа гистограмм распределения яркости. Каждый пиксел приурочивается к тому классу, в параллелепипед которого он попал по значению яркости. Так как значения каждого класса в четких рамках, следовательно, могут остаться пикселы, не попавшие ни в одну область. Они окрашиваются либо в черный, либо в белый цвет.

Метод максимального правдоподобия. Определение вероятности попадания пиксела в тот или иной класс.

Область признака в многомерном пространстве – эллипс, характеризующий распределение вероятности попадания пиксела и определяющийся ковариационной матрицей. Среднее значение яркости класса, оно же центр класса и эллипса, определяет его положение в пространстве признаков. Вычисляются элементы ковариационной матрицы и центр каждого из классов на основе обучающей выборки. Критерий отнесения пиксела – значение расстояния Махаланобиса (!!!), зависящее от вектора средних значений яркости (положения центра) и ковариационной матрицы класса. Это расстояние сопоставляется с величиной порога, задаваемого исполнителем. В этом методе отсутствуют неклассифицируемые пикселы.

Достоверность к.к. зависит от грамотно составленной обучающей выборки, правильный выбор эталонных пикселов, характер классифицируемых объектов.

Н.к. – кластеризация. Разделение всех пикселов на группы (кластеры), название, спектральные характеристики предварительно неизвестны. Критерий – схожесть спектральных характеристик. Обязательно последующее определение соответствия выделенных кластеров классам земной поверхности по дополнительным материалам – полевые наблюдения, карты и т.п.

Алгоритмы н.к. Чем быстрее алгоритм по скорости, тем ниже он по точности.

Алгоритм быстрого выделения кластеров (алгоритм одного прохода). Осуществляется построчно, задаются значения пороговой величины (предельного расстояния от пиксела до центра класса) и СКО. Центр первого кластера – первый элемент строки. Проверяется следующий элемент на основе заданных характеристик, если попадается в этот кластер, то изначальный центр перевычисляется, как среднее значение между полученными и т.д. Если не попадает, то пиксел становится центром второго кластера. Так просматриваются все строки изображения и формируются кластеры с именами в виде порядковых номеров. Количество кластеров зависит от выбора величины порога – чем меньше значение, тем больше кластеров.

Итерационный алгоритм последовательной кластеризации.

Часто выполняется в два этапа – 1-ый – предыдущий алгоритм; 2-ой – итерационный.

Требует задания числа кластеров, значений их центров и числа итераций.

1 шаг – отнесение пикселов к одному из классов.

2 шаг – вычисление нового положения центра с учетом отнесенных к нему пикселов. Верно, если вычисленные координаты центра совпадут с заданными.

Если нет, то выполняется вторая итерация и т.д., до достижения заданных значений чисел кластеров или заданного СКО или до выполнения заданного числа итераций. Критерий качества – значения СКО от центра кластера до каждой включенной в него точки и сумма этих отклонений от всех кластеров. В качестве значений центров используются спектральные характеристики объектов из наземных наблюдений (спектрометрировании) или полученные в результате первого шага (алгоритма быстрого выделения кластеров, дающего осредненные характеристики объектов).

Дата добавления: 2015-08-26