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, использующей различные подходы и таким образом сформировать многоуровневый алгоритм, сочетающий в себе преимущества выбранных видов классификаторов.

На первом уровне второго этапа классифицируются протяженные объекты. Теоретическое обоснование их тематической сегментации 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 протяженных 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 протяженных объектов:

1. протяженные объекты с относительно постоянным значением интенсивности по полю снимка, хотя бы в одной зоне спектрального диапазона;

2. протяженные 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. протяженные объекты с градиентом интенсивности и невысоким значением градиента на границах во всех зонах спектрального диапазона.

На основе проведенного анализа преимуществ и недостатков различных видов классификаторов можно сделать вывод о наибольшей целесообразности использования кластерного анализа для сегментации протяженных объектов 1-го типа, выделяемых по первичным признакам. В случае необходимости использования большого количества дополнительных признаков наиболее эффективным является применение гиперпараллелепипедного метода.

В случае сегментации протяженных 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 протяженные объекты всех трех типов, необходимо использовать подуровни сегментации с различными видами классификаторов - кластерным анализом или гиперпараллелепипедным методом для объектов типа 1, выделения границ однородных областей для типа 2 и метода наращивания однородных областей для типа 3.

На следующем уровне осуществляется тематическая сегментация малоразмерных объектов. Для их выделения обоснованным является применение того же подхода и видов классификаторов, что и при сегментации протяженных 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 путем обработки результатов тематической сегментации протяженных 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. Одним из способов введения контекстной информации в этом случае является применение локальных алгоритмов кластерного анализа, работающих в некоторой, относительно небольшой, окрестности с определением для каждой обрабатываемой точки граничных элементов центров кластеров объектов, присутствующих в ее окрестности, по результатам сегментации на предыдущих уровнях и отнесении ее к соответствующим классам объектов, определенных на предыдущих уровнях сегментации. Другим менее точным, но более эффективным в вычислительном отношении способом использования контекстной информации, является наращивание на области граничных объектов близлежащих однородных областей, выделенных на предыдущих этапах сегментации.

На четвертом 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.

Применение такого набора признаков в случае классификации по N снимкам, полученным в различных зонах спектрального диапазона, позволяет разделить точечные объекты, находящиеся на определенном фоне, на 3^N различных классов. Таким образом, при использовании 3 зон спектрального диапазона на каждом фоне можно определить 27 различных классов точечных объектов, использование 4 снимков позволяет выделить 81 различный класс.

Применение спектрально-контекстных признаков при наличии предварительно созданного банка их значений для всевозможных сочетаний пар “точечный объект” – “фон” позволяет существенно расширить возможности определения точечных объектов.

Предложенные спектрально-контекстные признаки могут использоваться не только для классификации точечных объектов, но и для организации процесса тематической сегментации других типов объектов посредством сочетания контролируемой и неконтролируемой классификации.