Мультиспектральное распознавание образов

Мультиспектральное дистанционное зондирование — это сбор и анализ отраженной, излучаемой или обратно рассеянной энергии от объекта или интересующей области в нескольких диапазонах областей электромагнитного спектра (Дженсен, 2005). Подкатегории мультиспектрального дистанционного зондирования включают гиперспектральное, при котором собираются и анализируются сотни каналов, и ультраспектральное дистанционное зондирование, при котором используются многие сотни каналов ( Logicon , 1997). Основная цель мультиспектральной визуализации — возможность классифицировать изображение с помощью мультиспектральной классификации. Это гораздо более быстрый метод анализа изображений, чем тот, который возможен при интерпретации человеком.

Мультиспектральные системы дистанционного зондирования Земли

Основная статья: Дистанционное зондирование

Системы дистанционного зондирования собирают данные с помощью инструментов, обычно установленных на спутниках на орбите вокруг Земли. Сканер дистанционного зондирования обнаруживает энергию, излучаемую объектом или областью интереса. Эта энергия записывается как аналоговый электрический сигнал и преобразуется в цифровое значение посредством аналого-цифрового преобразования. Существует несколько мультиспектральных систем дистанционного зондирования, которые можно классифицировать следующим образом:

Мультиспектральная визуализация с использованием дискретных детекторов и сканирующих зеркал.

• Мультиспектральный сканер Landsat ( MSS )
• Тематический картограф Landsat ( TM )
• Геостационарный оперативный экологический спутник NOAA ( GOES )
• Усовершенствованный радиометр очень высокого разрешения NOAA ( AVHRR )
• НАСА и ORBIMAGE, Inc., Датчик широкого поля зрения для наблюдения за морем ( SeaWiFS )
• Daedalus, Inc., Мультиспектральный сканер для самолетов (AMS)
• Бортовой датчик НАСА для наземных применений (ATLAS)

Мультиспектральная визуализация с использованием линейных матриц

• Датчики видимого диапазона высокого разрешения (HRV) SPOT 1, 2 и 3, а также датчики инфракрасного видимого диапазона высокого разрешения (HRVIR) и растительности Spot 4 и 5.
• Индийская система дистанционного зондирования ( IRS ) Самосканирующийся датчик линейного изображения (LISS)
• Space Imaging, Inc. ( ИКОНОС )
• Digital Globe, Inc. ( QuickBird )
• ORBIMAGE, Inc. ( OrbView-3 )
• ImageSat International, Inc. ( EROS A1 )
• Усовершенствованный космический радиометр теплового излучения и отражения NASA Terra ( ASTER )
• Спектрорадиометр НАСА Terra с многоугольной визуализацией ( MISR )

Спектрометрия изображений с использованием линейных и площадных матриц

• Бортовой спектрометр видимой/инфракрасной визуализации Лаборатории реактивного движения НАСА ( AVIRIS )
• Компактный бортовой спектрографический имидж-сканер 3 ( CASI 3 )
• Спектрометр визуализации среднего разрешения NASA Terra ( MODIS )
• NASA Earth Observer ( EO-1 ), Advanced Land Imager (ALI), Hyperion и атмосферный корректор LEISA (LAC)

Спутниковые аналоговые и цифровые фотографические системы

• Российские СПИН-2 ТК-350 и КВР-1000
• НАСА космического корабля и Международной космической станции Снимки

Методы мультиспектральной классификации

Для мультиспектральной классификации изображений можно использовать различные методы:

• Алгоритмы, основанные на параметрической и непараметрической статистике, в которых используются данные в масштабе отношений и интервалов, а также неметрические методы, которые также могут включать данные номинального масштаба (Duda et al., 2001),
• Контролируемая или неконтролируемая логика классификации,
• Логика классификации жесткого или мягкого (нечеткого) набора для создания жестких или нечетких тематических выходных продуктов,
• Попиксельная или объектно-ориентированная логика классификации и
• Гибридные подходы

Контролируемая классификация

В этом методе классификации идентичность и расположение некоторых типов земного покрова определяются заранее на основе сочетания полевых исследований, интерпретации аэрофотоснимков, анализа карт и личного опыта. Аналитик определит участки, характеристики которых аналогичны известным типам растительного покрова. Эти области известны как учебные участки, поскольку известные характеристики этих участков используются для обучения алгоритма классификации для окончательного картирования земного покрова оставшейся части изображения. Для каждого обучающего сайта рассчитываются многомерные статистические параметры (средние значения, стандартные отклонения, ковариационные матрицы, корреляционные матрицы и т. д.). Все пиксели внутри и за пределами обучающих сайтов оцениваются и относятся к классу с более похожими характеристиками.

Схема классификации

Первым шагом в методе контролируемой классификации является определение классов земного покрова и землепользования, которые будут использоваться. Земельный покров относится к типу материала, присутствующего на участке (например, вода, сельскохозяйственные культуры, лес, влажная земля, асфальт и бетон). Под землепользованием понимаются изменения, вносимые людьми в растительный покров (например, сельское хозяйство, торговля, поселение). Все классы следует тщательно выбирать и определять, чтобы правильно классифицировать данные дистанционного зондирования в правильную информацию о землепользовании и/или растительном покрове. Для достижения этой цели необходимо использовать систему классификации, содержащую таксономически правильные определения классов. Если требуется жесткая классификация, следует использовать следующие классы:

• Взаимоисключающие: нет никакого таксономического совпадения каких-либо классов (т. е. тропические леса и вечнозеленые леса являются отдельными классами).
• Исчерпывающий: включены все земельные покровы на территории.
• Иерархический: создаются классы подуровней (например, жилой дом на одну семью, жилой дом на несколько семей), что позволяет включить эти классы в более высокую категорию (например, жилой дом).

Некоторые примеры схем жесткой классификации:

• Система наземной классификации Американской ассоциации планирования
• Система классификации землепользования и растительного покрова Геологической службы США для использования с данными удаленных датчиков
• Служба охраны рыбы и дикой природы Министерства внутренних дел США
• Национальная система растительности и классификации США
• Международная геосферно-биосферная программа IGBP Система классификации земного покрова

Учебные площадки

После принятия схемы классификации аналитик изображений может выбрать на изображении учебные участки, которые являются репрезентативными для интересующего растительного покрова или землепользования. Если среда, в которой были собраны данные, относительно однородна, можно использовать обучающие данные. Если на площадке будут обнаружены другие условия, распространить на нее данные обучения дистанционному зондированию будет невозможно. Чтобы решить эту проблему, на предварительных этапах проекта необходимо провести географическую стратификацию. Все различия должны быть зафиксированы (например, тип почвы, мутность воды, виды сельскохозяйственных культур и т. д.). Эти различия должны быть зафиксированы на снимках и выбраны тренировочные площадки, сделанные на основе географической стратификации этих данных. Окончательная классификационная карта будет представлять собой совокупность классификаций отдельных слоев.

После того как данные систематизированы на разных обучающих площадках, создается вектор измерений. Этот вектор будет содержать значения яркости для каждого пикселя в каждом канале в каждом обучающем классе. , Среднее значение стандартное отклонение , матрица дисперсии-ковариации и матрица корреляции рассчитываются на основе векторов измерений.

После того, как статистика по каждому тренировочному объекту определена, следует выбрать наиболее эффективные группы для каждого класса. Целью этой дискриминации является устранение полос, которые могут предоставлять избыточную информацию. Для достижения этой цели можно использовать графические и статистические методы. Некоторые из графических методов:

• графики гистограммы Спектральные
• Коспектральные средние векторные графики
• Графики пространственных объектов
• Графики коспектрального параллелепипеда или эллипса

Алгоритм классификации

Последним шагом в контролируемой классификации является выбор подходящего алгоритма. Выбор конкретного алгоритма зависит от входных данных и желаемого результата. Параметрические алгоритмы основаны на том факте, что данные распределены по нормальному закону. Если данные не распределены нормально, следует использовать непараметрические алгоритмы. Наиболее распространенными непараметрическими алгоритмами являются:

• Одномерная нарезка плотности
• параллелепипед
• Минимальное расстояние
• Ближайший сосед
• Экспертный системный анализ
• Сверточная нейронная сеть

Неконтролируемая классификация

Неконтролируемая классификация (также известная как кластеризация) — это метод разделения данных изображений удаленных датчиков в многоспектральном пространстве признаков и извлечения информации о земном покрове. Неконтролируемая классификация требует от аналитика меньше входной информации по сравнению с контролируемой классификацией, поскольку кластеризация не требует обучающих данных. Этот процесс заключается в серии числовых операций по поиску спектральных свойств пикселей. В результате этого процесса получается карта с m спектральными классами. Используя карту, аналитик пытается присвоить или преобразовать спектральные классы в интересующую тематическую информацию (например, лес, сельское хозяйство, город). Этот процесс может оказаться непростым, поскольку некоторые спектральные кластеры представляют собой смешанные классы поверхностных материалов и могут оказаться бесполезными. Аналитик должен понимать спектральные характеристики местности, чтобы иметь возможность пометить кластеры как определенный информационный класс. Существуют сотни алгоритмов кластеризации. Двумя наиболее концептуально простыми алгоритмами являются цепной метод и метод ISODATA.

Цепной метод

Алгоритм, используемый в этом методе, работает в двухпроходном режиме (он проходит через мультиспектральный набор данных два раза. На первом проходе программа считывает набор данных и последовательно строит кластеры (группы точек в спектральном пространстве). Однажды программа При чтении набора данных каждому кластеру присваивается средний вектор. На втором проходе к набору данных применяется алгоритм классификации минимального расстояния до средних, пиксель за пикселем. Затем каждый пиксель присваивается одному из средних векторов, созданных в. первый шаг.....

метод ИЗОДАТА

Алгоритм метода итеративного самоорганизующегося анализа данных (ISODATA), используемый для мультиспектрального распознавания образов, был разработан Джеффри Х. Боллом и Дэвидом Дж. Холлом в Стэнфордском исследовательском институте .

Алгоритм ISODATA представляет собой модификацию алгоритма кластеризации k-средних с добавленными эвристическими правилами, основанными на экспериментах. В общих чертах:

ВХОД. набор данных, заданные пользователем значения конфигурации.

Инициализируйте точки кластера для алгоритма k-средних случайным образом.

ДЕЛАТЬ ПОКА. условия расторжения выполнены

Запустите несколько итераций алгоритма k-средних.

Разделите точку кластера на две, если стандартное отклонение точек в кластере слишком велико.

Объедините две точки кластера в одну, если расстояние между их средними значениями слишком мало.

Удалите точку кластера, если она содержит слишком мало точек данных.

Удалите точки данных, которые слишком удалены от точки кластера.

Проверьте эвристические условия завершения.

ВОЗВРАЩАТЬСЯ. кластеры найдены

Существует множество возможных эвристических условий завершения, в зависимости от реализации.

Ссылки

• Болл, Джеффри Х., Холл, Дэвид Дж. (1965) Изодаты: метод анализа данных и классификации закономерностей , Стэнфордский исследовательский институт, Менло-Парк, США. Управление военно-морских исследований. Отделение информационных наук
• Дуда, Р.О., Харт, П.Е., и Сторк, Д.Г. (2001). Классификация шаблонов . Нью-Йорк: Джон Уайли и сыновья.
• Дженсен, младший (2005). Вводная цифровая обработка изображений: перспектива дистанционного зондирования. Река Аппер-Седл: Пирсон Прентис Холл.
• Белоконь, В.Ф. и др. (1997). Справочное руководство по мультиспектральным изображениям. Фэрфакс: Logicon Geodynamics, Inc.