Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации - Автореферат

Автореферат диссертации на соискание ученой степени доктора технических наук Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации Работа выполнена на кафедре природопользования и географииИзображения, полученные в результате дистанционного зондирования, характеризуются следующими свойствами: они содержат разнообразные однородные области, причем внутриклассовые среднеквадратичные отклонения характеристик часто сравнимы с разбросом между классами. Основной проблемой при тематической сегментации сложных изображений земной поверхности является то, что применение алгоритмов классификации, использующих определенные условия однородности классов объектов и определенное пространство классификационных признаков, зачастую приводит к выделению на изображении сегментов, не соответствующих информационным классам решаемой тематической задачи. Для преодоления возникающих трудностей необходимо применять многоуровневые алгоритмы сегментации, использующие различные условия однородности классов объектов и различные подмножества классификационных признаков, учитывающие структурно-пространственные характеристики изображения. Все это определяет актуальность данной работы и обусловливает необходимость разработки теории и методов многоуровневой тематической сегментации аэрокосмических изображений. Пути решения этой проблемы были определены следующим образом: - разработка теории и методологии многоуровневой тематической сегментации аэрокосмических изображений земной поверхности;Проведен анализ возможностей использования современных аэрокосмических систем дистанционного зондирования земной поверхности и рассмотрен круг тематических задач, которые в настоящее время решаются на основе данных дистанционного зондирования. Основными параметрами материалов аэрокосмической съемки, определяющими возможности извлечения информации об объектах тематической обработки, являются пространственное разрешение, спектральное разрешение, отношение «сигнал/шум» и их взаимосвязи. При использовании методов автоматизированной обработки более высокое пространственное разрешение, давая больше деталей пространственной структуры, позволяет использовать в алгоритмах автоматизированной классификации формализованные пространственные признаки, что повышает достоверность правильного распознавания объектов. Автоматизированная сегментация основывается на предположении, что подлежащие выделению объекты или какие-либо их части представлены на изображении областями, которые в некотором смысле однородны. В настоящее время существует ряд программных пакетов для персональных компьютеров, в которых реализованы различные варианты цифровых классификаторов изображений и алгоритмы модификации исходных (обрабатываемых) изображений.Полученная на первом этапе структурно-пространственная модель изображений используется на втором этапе для выбора различных алгоритмов модификации исходных изображений (видов предварительной обработки), выбора подмножества цифровых признаков для классификации определенного элемента пространственной структуры и управления работой классификатора. Анализ пространственной структуры сложных аэрокосмических изображений показал, что на них целесообразно выделить четыре типа структурно-пространственных элементов, отличающихся по своим статистическим и пространственным характеристикам, и требующим соответственно различных подходов при выборе алгоритма классификатора и набора цифровых признаков для их сегментации: - протяженные (площадные) объекты, линейные размеры которых более 10 пикселов в любом направлении; точечные объекты, занимающие на изображении не более одного пиксела, со значением интенсивности, существенно отличающимся от значений интенсивности прилегающей окрестности, хотя бы в одной зоне спектрального диапазона. На рисунке 1 показана разработанная блок-схема многоуровневой сегментации, с использованием структурно-пространственной информации об объектах, представленных на изображении. Определим вероятность правильного обнаружения малоразмерного объекта Рпо , как вероятность принятия решения об обнаружении малоразмерного объекта в случае наличия малоразмерного объекта, и вероятность ложного обнаружения малоразмерного объекта Рло , как вероятность принятия решения об обнаружении малоразмерного объекта в случае отсутствия малоразмерного объекта.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. По контрольному участку (участкам) класса К определяются его площадь в пикселях Sk и количество пикселей Nk, отнесенных по результатам классификации к классу К. По контрольном участкам всех остальных классов находится класс Q с максимальным значением количества пикселей Nq, отнесенных по результатам классификации к классу К. Определяется площадь контрольного участка класса в пикселях Sq и количество пикселей Nq, по результатам классификации к классу К.