Неуправляемая классификация. Методы сегментации изображений.

⇐ ПредыдущаяСтр 53 из 64Следующая ⇒

К неуправляемой класс-и (без обучения) относится:

- сегментация (выделение границ, контуров+визуальное деш-ие);

- кластерный анализ (выбор кол-ва классов, критерий близости м/у классами, критерий принадлежности точки классу).

Сегментация.

Сегмент – процесс выделения определенных областей, имеющих границу определенного типа.

Выполняется путем масочных операторов, т.е. путем свертки изображения с маской определенного вида.

Маска выбирается в соответствии с задачей – выделение точки, определение границ, выделение линий.

1. Выделение изолированных точек

Вычисляется новое изображение , которое является сверткой .

Для выделения изолированных точек применяют маску высокочастотный фильтр, порог устанавливается интуитивно.

2. выделение линий, у них есть направление (любое)

Выделение перепадов выполняется с помощью дифференцирующих операторов, нам нужно посчитать градиент:

Перекрестный оператор Робертса

Превита

Оператор Лопласса – вторая производная функции

3. Формирование связанных контуров.

Если появляются разрывы, то должно быть какое-то логическое условие, которое требует, либо его заполнить, либо его оставлять.

Алгоритм Хаффа (выделяет линии произвольно ориентированные прямые линии)

Разделяющие функции – распознавание образов на основе вероятности методов.

Кластерный анализ

· Задается количество классов

· Центры классов

· критерий

Управляемая классификация – выбираются области, которые принадлежат заданному классу и строится статистика.

· Строится гистограмма

Бейесовское правило

Полученные гистограммы апроксимируются функцией нормального распределения и определяются параметры . И тогда решение по принадлежности объекта к тому или иному классу определяется на основе параметров (их анализа).

Метод параллелепипеда.

В случае многомерных векторных признаков параметры и ков – ая матрица

В этом случае используется корреляционная матрица и набор векторов, составляющих матрицу, зависимые и неортогональные.

Методы основаны на корреляционной матрице, построенной для каждого элемента многоспектрального изображения.

Эти методы дают хороший результат, когда изменения незначительны, но определяют только общие положения (произошли изменения или нет).

Сущность метода заключается в том, что мы проводим классификацию в 1 дату, потом выполняем классификацию изображения, полученную во 2 дату, и делаем поэлементное сравнение.

1. нет универсального способа, позволяющего оценить изменения.

2. предварительная обработка ДДЗ

3. визуальный анализ широко используется. Если изображение многоспектральное, то выбирают 3 компоненты и раскрашивают их в цвета.

4. Использование методов классификации является эффективным, когда имеется хорошая тестовая выборка.

В последнее время разрабатываются методы, основанные на использовании различных типов данных, не только изображений, но и материалов, описывающих данных, которые имеются в ГИС – системах.

5. Комплексирование разных методов улучшает результат, но увеличивают затраты.

Современные программные комплексы имеют широкие возможности, но их трудно комплексировать.

Предыдущие методы основаны на анализе многоспектральных изображений.

Недостаток: на спектральные яркости влияют множество факторов, что затрудняет выделение тех или иных объектов.

Другой метод основан на использовании структурных свойств изображений, которые являются более устойчивыми для участка или объекта.

Методы, основанные на частотном подходе, используя преобразование Фурье, можно проследить произошли ли изменения на том или ином участке, но нужно иметь эталонный спектр объекта.

Вейвлет преобразования – одновременно используется идея спектрального разложения по ортогональным базисам функции, выбранным определенным образом.

Строится на получении коэффициентов разложения по соответствующему базису на каждом уровне разложения.

Анализируя коэффициенты матрицы для различных уровней можно найти участки на которых произошли изменения и можно локализовать положение этих участков, анализируя коэффициенты соответствующего уровня.

Кластерный анализ.

Выделяем центр кластера. Кластеризация – разделение изобр-я на области, обладающие определенными св-ми в соот-ии с заданными критериями. Если изменяется критерий и св-ва, то на одном и том же изобр-и можно выделить несколько уч-в.

1. Выбираем кол-во классов, кот. хотим выделить на изобр-и.

2. Выбор критерия, по кот. данный эл-т принадлежит данному классу. Критерием является расстояние в пространстве признаков. Необходимо выбрать центр класса.

Ч/б изобр-е хар-ся яркостью:

; i= 1 …n,j= 1 …m; .

Евклидово расстояние:

Следующие шаги в алгоритме м.б. реализованы по разному:

Пример в Isodata:

3) Вычисление нового значения центра кластера, кот. имеет среднее значение признаков по всем точкам заданного кластера.

4) Повторение шагов 3,4 до тех пор, пока значение признаков центра кластера, полученного из j и j +1 итерации не будет отличаться больше, чем на заданное значение (кот. задаем сами).

Второй вариант: оператор сам оценивает выделенные классы и сам объединяет его в новый кластер, выч-ся центр кластера и повтор-ся шаги 1,2–интерактивный анализ.

Кластерный анализ

Кластерный анализ.

1. Выбираем кол-во классов, кот. хотим выделит на изобр-и.

2. Выбор критерия, по кот. данный эл-т принадлежит даннму классу. Критерием является расстояние в пространстве признаков.

Ч/б изобр-е хар-ся яркостью:

; i= 1 …n,j= 1 …m; .

Евклидово расстояние:

Следующие шаги в алгоритме м.б. реализованы по разному:

Пример в Isodata:

3) Вычисление нового значения центра кластера, кот. имеет среднее значение признаков по всем точка заданного кластера.

Дата добавления: 2015-12-18; просмотров: 100; Мы поможем в написании вашей работы!

Поделиться с друзьями:

⇐ Предыдущая 48 49 50 51 525354 55 56 57 Следующая ⇒

Мы поможем в написании ваших работ!