авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 | 4 |   ...   | 5 |

Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации

-- [ Страница 2 ] --

Для решения задачи выделения на поле исходных изображений структурного элемента “точечные объекты” может использоваться “разностный алгоритм». Последовательное применение данного алгоритма ко всем совместно обрабатываемым изображениям и последующее сложение полученных бинарных изображений позволяет выделить все точки, имеющие локальный контраст хотя бы в одной зоне спектрального диапазона. Недостатком данного алгоритма является необходимость эмпирического подбора пороговых значений при получении бинарных изображений в интерактивном режиме. Отмеченный недостаток устранен в разработанном автором алгоритме выделения точечных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста обрабатываемой точки изображения (x,y). Алгоритм работает следующим образом.

Обрабатываемое изображение сканируется скользящим окном размером 3х3 элемента изображения, в котором определяются выборочные оценки среднего значения интенсивности и среднего квадратичного отклонения (СКО) по следующим формулам

(2)

Полученные оценки используются для определения локальных пороговых значений T(x,y) при выделении точечных объектов по следующему правилу. Элемент изображения определяется, как точечный объект, если выполняется следующее условие

(3)

где T(x,y) = k k - некоторая константа.

Для теоретического обоснования выбора значения константы k примем предположение о Гауссовом распределении значений интенсивности фона, на котором расположен точечный объект. Вероятность ложного обнаружения точечного объекта F будет определяться следующим выражением.

(4)

откуда определяется значение k.

Использование данного алгоритма позволяет автоматически выделять точечные объекты с заданной вероятностью ложного обнаружения F.

Для выделения малоразмерных объектов также может быть использован «разностный алгоритм». Недостатком этого алгоритма является то, что он наряду с малоразмерными объектами выделяет контрастные линейные объекты определённой толщины. Для устранения этого недостатка был разработан модифицированный алгоритм выделения малоразмерных объектов, работающий следующим образом.

Исходное изображение сканируется окном размером 3lx3l элементов, где l равняется линейной толщине выделяемых малоразмерных объектов. В этом окне выбираются 9 окон размером lxl элементов, в которых вычисляются средние значения интенсивности и средние квадратичные отклонения . Малоразмерный объект выделяется в том случае, если среднее значение в центральном окне 0 существенно отличается от средних значений в каждом из прилегающих восьми окон 1,...,8.

Полученные выборочные средние значения и СКО используем для построения обнаружителя малоразмерных объектов с заданными вероятностными характеристиками. Определим вероятность правильного обнаружения малоразмерного объекта Pпо, как вероятность принятия решения об обнаружении малоразмерного объекта в случае наличия малоразмерного объекта, и вероятность ложного обнаружения малоразмерного объекта Pло, как вероятность принятия решения об обнаружении малоразмерного объекта в случае отсутствия малоразмерного объекта.

Рассмотрим случай, когда значения интенсивности малоразмерного объекта превышают значения интенсивности фона. В предположении о Гауссовом характере распределения значений интенсивности малоразмерных объектов вероятность правильного обнаружения будет определяться следующим выражением

(5)

где kпо - некоторая константа правильного обнаружения, определяемая из выражения (5).

Приняв предположение о Гауссовом характере распределения значений интенсивности фона, получим следующую формулу, определяющую вероятность ложного обнаружения

(6)

где kло – некоторая константа ложного обнаружения, определяемая из выражения (6).

Соответствующие вышеопределённым константам значения интенсивностей fпо и fло определяются из следующих выражений

(o - fпо) (fло - ф)

kпо = ———— kло = ——— (7)

о ф

где o - выборочное среднее интенсивности малоразмерного объекта

о - СКО интенсивности малоразмерного объекта;

ф - выборочное среднее интенсивности фона;

ф - СКО интенсивности фона.

fпо = o - kпоо fло = ф + kлоф

Решение об обнаружении малоразмерных объектов принимается при выполнении условия fпо fло и, соответственно, решающее правило обнаружения малоразмерных объектов большей интенсивности, чем фон имеет следующий вид

(8)

Повторив вышеприведённые выкладки для случая, когда интенсивность малоразмерных объектов меньше интенсивности фона получим следующее решающее правило

(9)

Соответственно решающее правило обнаружения малоразмерных объектов в общем случае будет иметь следующий вид

(10)

Решение об обнаружении малоразмерного объекта принимается при выполнении условия (10) для всех сочетаний центрального окна (о о) с восемью соседними окнами (i i) i= 1,...,8. Последовательное применение этого алгоритма ко всем обрабатываемым зональным изображениям и последующее сложение изображений с выделенными малоразмерными объектами позволяет получить изображение малоразмерных объектов, которые удовлетворяют вышеопределённому критерию, хотя бы в одном спектральном диапазоне.

На основе экспериментальных исследований работы разностного и адаптивного порогового алгоритма сделаны следующие выводы. И разностный алгоритм, и предложенный адаптивный пороговый алгоритм обеспечивают уверенное выделение малоразмерных объектов со значением контраста выше 1. Уменьшение контраста при использовании обоих алгоритмов приводит к снижению вероятности правильного обнаружения, причём оба алгоритма перестают выделять малоразмерные объекты с уровнем контраста ниже 0,4. Использование разностного алгоритма приводит к ложному выделению малоразмерных объектов на контрастных границах однородных областей, а также в местах расположения линейных объектов. Адаптивный пороговый алгоритм, обеспечивая правильное обнаружение малоразмерных объектов, позволяет исключить ложное выделение линейных объектов и границ однородных областей, как малоразмерных объектов.

Выделение элементов пространственной структуры изображений, определённых как “протяжённые объекты” и “граничные и линейные объекты”, осуществляется путём классификации изображений, на которых выделены “точечные”, и “малоразмерные” объекты, соответственно, обработке подвергаются точки изображения, не отнесённые к этим элементам. Выделение элемента структуры “граничные и линейные объекты” осуществляется путём пороговой обработки изображений с контрастированными границами. Для получения изображений с контрастированными границами обычно используются два вида алгоритмов:

- алгоритмы пространственного дифференцирования;

- алгоритмы высокочастотной Фурье-фильтрации.

Для выбора пороговых значений можно использовать эталонные участки границ, осуществляя подбор пороговых значений в интерактивном режиме. Общая блок-схема построения структурно-пространственной модели, обрабатываемых изображений, показана на рис. 2.

Рис. 2. Блок-схема построения структурно-пространственной модели изображений.

В результате получаем классифицированное четырёхуровневое изображение, описывающее структурно-пространственные характеристики исследуемых изображений.

Методология тематической классификации изображений с использованием структурно - пространственной модели.

Полученная на первом этапе обработки структурно-пространственная модель исследуемых изображений позволяет организовать процесс тематической сегментации на основе многоуровневой классификации.

На первом уровне второго этапа классифицируются протяжённые объекты. Теоретическое обоснование их тематической классификации на первом уровне основывается на том, что они определяются максимальным числом признаков и, вследствие этого, возможностью их эффективной классификации на первом уровне без использования контекстной информации. В тоже время результаты их сегментации могут быть использованы на последующих уровнях для формирования модифицированных контекстных признаков. Для выделения классов протяжённых объектов в зависимости от их свойств, статистических и геометрических характеристик могут использоваться различные классификаторы, как на основе выделения границ однородных областей, так и на основе разметки точек изображения.

Для осуществления теоретически обоснованного выбора вида классификатора определим следующие типы протяжённых объектов:

  1. протяжённые объекты с относительно постоянным значением интенсивности по полю снимка, хотя бы в одной зоне спектрального диапазона;
  2. протяжённые объекты с градиентом интенсивности во всех зонах спектрального диапазона и с высоким значением градиента интенсивности на границах хотя бы в одной зоне спектрального диапазона;
  3. протяжённые объекты с градиентом интенсивности и невысоким значением градиента на границах во всех зонах спектрального диапазона.

На основе проведённого анализа преимуществ и недостатков различных видов классификаторов можно сделать вывод о наибольшей целесообразности использования методов максимального правдоподобия и гиперпараллелепипеда для классификации протяжённых объектов 1-го типа. В случае классификации протяжённых объектов типа 2 используется классификатор на основе методов выделения границ однородных областей. Для сегментации объектов типа 3 наиболее эффективным является применение методов наращивания однородных областей.

В общем случае при тематической обработке изображений, содержащих протяжённые объекты всех трёх типов, необходимо использовать подуровни классификации с различными видами классификаторов – метода максимального правдоподобия или гиперпараллелепипеда для объектов типа 1, выделения границ однородных областей для типа 2 и метода наращивания однородных областей для типа 3.

На следующем уровне осуществляется тематическая классификация малоразмерных объектов. Для их выделения обоснованным является применение того же подхода и видов классификаторов, что и при сегментации протяжённых объектов 1-го типа. Использование более высокого уровня повышает эффективность их выделения, так как в соответствующее подмножество классификационных признаков могут быть добавлены модифицированные контекстные признаки, полученные путём обработки результатов тематической обработки протяжённых объектов на первом уровне.

На третьем уровне тематической классификации выделяются граничные и линейные объекты. Как отмечалось выше, они характеризуются большим разбросом спектральных интенсивностей, поэтому для их правильной идентификации необходимо использование контекстной информации, полученной в результате предыдущих уровней тематической сегментации. На четвёртом уровне классифицируются точечные объекты. Как было отмечено выше, большой разброс значений их спектральных интенсивностей и их геометрические размеры делают невозможным использование при их классификации спектральных и текстурных признаков, вследствие чего на первый план выходит использование контекстной информации. Вместе с тем алгоритмы классификации, использующие только контекстные признаки, позволяют разделить точечные объекты на весьма ограниченное число классов, определяемое числом фоновых (по отношению к точечным объектам) классов, выделенных на предыдущих уровнях, и обеспечивают невысокую достоверность классификации. С целью увеличения количества классов, на которые разделяются точечные объекты, и повышения достоверности предлагается использовать спектрально-контекстные признаки точечных объектов, определяемые следующим образом.

Каждый класс точечных объектов определяется значениями спектральных контрастов по отношению к спектральным интенсивностям класса, на фоне которого находится данный точечный объект. В каждой зоне спектрального диапазона спектрально-контекстный признак точечного объекта может принимать три значения:

- +1 - в случае положительного контраста в этой зоне;

- -1 - в случае отрицательного контраста;

- 0 - если контраст в данной зоне отсутствует.

Использование практических методик тематической обработки на основе структурно-пространственной модели открывает следующие возможности повышения вероятности правильного распознавания тематических объектов:

- выбор разных видов классификаторов, оптимальных для тематической классификации определённого структурного элемента;

- выбор оптимального подмножества классификационных признаков для каждого структурного элемента;

- использование более сложных и эффективных алгоритмов классификации.

Глава 3. Многоуровневая тематическая обработка многозональных аэрокосмических изображений.

В третьей главе представлены методики тематической обработки многозональных аэрокосмических изображений. Приведены результаты исследований выявления заболоченных территорий по данным многозональной съёмки КА Landsat-7 участка территории в Истринском районе Московской области. Описаны особенности отображения различных видов земных покрытий в разных спектральных диапазонах. Представлена методика тематической обработки данных многозональной съёмки КА Landsat-7 участка территории в районе г. Дубна Московской области и снимков в 9 спектральных диапазонах, полученных с датчика Aster КА Terra, участка территории Московской области в районе Приокско-террасного государственного биосферного заповедника. Проведён анализ полученных результатов. Приведены результаты экспериментального исследования нового алгоритма автоматизированного выделения малоразмерных объектов заданного размера, позволяющего достоверно выделять объекты с сохранением разрешающей способности исходных снимков. Описан метод создания почвенных карт на основе концепции ландшафтно-индикационного многоуровневого дешифрирования территорий.

Методика тематической обработки многозональных изображений КА Landsat-7.

Исследовалась территория в районе г. Дубна Московской области. На рис. 3-8 представлены зональные снимки этой территории, полученные с КА Landsat-7 в диапазонах 0,45-0,52 мкм, 0,52-0,60 мкм, 0,63-0,69 мкм, 0,76-0,90 мкм, 1,55-1,75 мкм, 2,08-2,35 мкм, соответственно.

Для проведения тематической обработки была построена методика, использующая структурно-пространственную модель исследуемых изображений и многоуровневую классификацию. Результат тематической обработки с использованием автоматизированных и визу альных методов показан на рис. 9. Блок-схема методики представлена на рис. 10.

 ис. 4 ис. 7 Для получения количественных оценок-9

Рис. 3 Рис. 4 Рис. 5

 ис. 7 Для получения количественных оценок достоверности по-10

 ис. 7 Для получения количественных оценок достоверности по результатам-11

Рис. 6 Рис. 7 Рис. 8

Для получения количественных оценок достоверности по результатам тематической обработки была рассчитана вероятность правильной классификации объектов. В качестве критерия использовалась вероятность правильной классификации класса К, определённая следующим образом.

По контрольному участку (участкам) класса К определяются его площадь в пикселях Sk и количество пикселей Nk, отнесённых по результатам классификации к классу К. По контрольном участкам всех остальных классов находится класс Q с максимальным значением количества пикселей Nq, отнесённых по результатам классификации к классу К. Определяется площадь контрольного участка класса в пикселях Sq и количество пикселей Nq, по результатам классификации к классу К. Вероятность правильной классификации класса К - Pk рассчитывается по формуле

(11)

Сравнительная экспериментальная оценка вероятности правильной классификации с использованием многоуровневой классификации и по методике одноуровневой контролируемой классификации приведена в таблице 1. Из данных таблицы 1 видно, что для отдельных классов объектов применение многоуровневой классификации обеспечивает повышение вероятности правильной классификации на 12 %.

Табл. 1. Вероятности правильной классификации. Погрешности, рассчитанные по методу Корнфельда

Объекты Вероятность / Погрешность
Многоуровневая сегментация Одноуровневая сегментация
Глубоководные объекты 0,94 0,1 0,94 0,1
Мелководные объекты 0,91 0,1 0,89 0,1
Луга 0,87 0,3 0,75 0,4
Хвойные леса 0,92 0,1 0,91 0,1
Смешанные леса 0,89 0,1 0,88 0,1
Лиственные леса 0,87 0,1 0,86 0,1
Садово-огородные участки 0,88 0,2 0,79 0,3
Кварталы городского типа 0,9 0,3 0,77 0,3


Pages:     | 1 || 3 | 4 |   ...   | 5 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.